Big Data - Développement d'applications de Machine Learning et d'Intelligence Artificielle (IA) Top ventes
5 jours
Perfectionnement / Avancé
Présentiel Classe à distance
Accueil › Formations › Informatique › Data › Big Data - Data Science › Data Science avec Python (Scikitlearn)
Objectifs de formation
A l'issue de cette formation, vous serez capable de :
- Utiliser Scikitlearn pour créer des modèles d'apprentissage machine
- Concevoir des expériences et interpréter les résultats des tests A/B
- Visualiser l'analyse de clustering et de régression en Python à l'aide de Matplotlib
- Produire des recommandations automatisées de produit ou de contenu avec des techniques de filtrage collaboratif
- Appliquer les meilleures pratiques en matière de nettoyage et de préparation de vos données avant l'analyse.
Prérequis
Une expérience de codage ou de script préalable est nécessaire. Avoir au minimum des compétences en mathématiques de niveau secondaire.
Validez les prérequis
Afin de vérifier que vous disposez bien des prérequis nécessaires à cette formation, nous vous invitons à réaliser ce test.
Temps estimé : 4 minutes.
Passer le testPublic concerné
Développeurs de logiciels, programmeurs, Data analysts, Data scientists.
Programme
Jour 1
Introduction à la Data Science (la science des données)
- Qu'est-ce que la Data Science ?
- Définition
- Différence entre statistiques et Data Science
- Champs d'application de la Data Science
- Outils et algorithmes pour faire de la Data Science
- Les méthodes de Machine Learning (apprentissage automatique)
- L'apprentissage supervisé
- L'apprentissage non supervisé
- L'apprentissage renforcé
Le langage de programmation Python - Bases
- Introduction à Python
- Les structures / propriétés / fonctions spéciales
- La Programmation Orientée Objet (POO)
- La bibliothèque standard
Le langage de programmation Python - Avancé
- Notions avancées de Python
- Respecter de bonnes pratiques de développement
- Manipuler les librairies NumPy, SciPy, Pandas et Matplotlib
Préparation de données pour la Data Science
- Pourquoi la préparation des données est-elle si importante en Data Science ?
- Étapes de préparation des données (du nettoyage des données à la compréhension des données)
Jour 2
Exemples de travaux pratiques sur Scikitlearn (à titre indicatif)
- Maîtriser les techniques d'apprentissage automatique et d'exploration de données avec Scikitlearn de Python
- Extraction de caractéristiques et prétraitement
- Réduction de la dimensionnalité avec l'Analyse des Composants Principaux (PCA)
- Analyse de régression linéaire, multi-linéaire, polynomiale, logistique et régularisation
- Classification supervisée
- Classification non supervisée et régression avec arbres de décision
- K-means clustering
- Perceptron et le Support des Machines Vectorielles (SVM)
- Réseaux de neurones artificiels
Jour 3
Exemples de travaux pratiques sur Scikitlearn (à titre indicatif) - Suite
- Maîtriser les techniques d'apprentissage automatique et d'exploration de données avec MLlib d'Apache Spark
- Analyse en composantes principales
- Analyse de régression
- K-means clustering
- Train / Test et validation croisée
- Méthodes bayésiennes
- Arbres de décision et forêts aléatoires
- Régression multivariée
- Modèles multiniveaux
- Support des Machines Vectorielles (SVM)
- Apprentissage par renforcement
- Filtrage collaboratif
- K plus proche voisin
- Le compromis biais / variance
- Apprentissage d'ensemble
- Fréquence de terme / Fréquence inverse de documents
- Conception expérimentale et A/B testing
Cas d'usage particuliers de Data Science
- Algorithmes de classification / supervisés et non supervisés
- Classification des itinéraires / chemins (basée sur les matrices origines / destinations temporelles)
- Détection de mode de transport ou forme de mobilité à partir de jeux de données images
- Algorithmes de recommandation
- Filtrage collaboratif pour les recommandations : basé sur le contenu, les éléments, l'utilisateur ou filtrage hybride
- Clustering pour les recommandations
- Deep Learning pour les recommandations
Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.
Modalités, méthodes et moyens pédagogiques
Formation délivrée en présentiel ou distanciel* (blended-learning, e-learning, classe virtuelle, présentiel à distance).
Le formateur alterne entre méthode** démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation).
Variables suivant les formations, les moyens pédagogiques mis en oeuvre sont :
- Ordinateurs Mac ou PC (sauf pour certains cours de l'offre Management), connexion internet fibre, tableau blanc ou paperboard, vidéoprojecteur ou écran tactile interactif (pour le distanciel)
- Environnements de formation installés sur les postes de travail ou en ligne
- Supports de cours et exercices
En cas de formation intra sur site externe à M2i, le client s'assure et s'engage également à avoir toutes les ressources matérielles pédagogiques nécessaires (équipements informatiques...) au bon déroulement de l'action de formation visée conformément aux prérequis indiqués dans le programme de formation communiqué.
* nous consulter pour la faisabilité en distanciel
** ratio variable selon le cours suivi
Modalités d’évaluation des acquis
- En cours de formation, par des études de cas ou des travaux pratiques
- Et, en fin de formation, par un questionnaire d'auto-évaluation
Accessibilité de la formation
Le groupe M2i s'engage pour faciliter l'accessibilité de ses formations. Les détails de l'accueil des personnes en situation de handicap sont consultables sur la page Accueil et Handicap.
Modalités et délais d’accès à la formation
Les formations M2i sont disponibles selon les modalités proposées sur la page programme. Les inscriptions sont possibles jusqu'à 48 heures ouvrées avant le début de la formation. Dans le cas d'une formation financée par le CPF, ce délai est porté à 11 jours ouvrés.
