Formation Data Science Data Science avec R

Partager cette formation Télécharger au format pdf Ajouter à mes favoris

Objectifs pédagogiques

• Maîtriser l'utilisation de la bibliothèque H2O
• Gérer les modèles de Machine Learning et de Deep Learning avec H2O
• Connaître les cas d'utilisation avec Spark.

Niveau requis

Avoir des connaissances en Machine Learning et R.

Public concerné

Statisticiens, consultants Big Data, data analysts, data scientists.

Programme

Jour 1

Machine Learning - Fondamentaux

• Introduction au Machine Learning
• Les modèles du Machine Learning
• Deep Learning
• AutoML

Introduction à H2O

• Présentation d'H2O
• Installation
• Introduction à R

Exemple de travaux pratiques (à titre indicatif)

• Premier pas

Les arbres

• Introduction
• Les arbres de décision
• Random Forest
• Random Forest avec H2O
• Gradient Boosting Machine
• Gradient Boosting Machine avec H20
• Overfitting et Train / Validation / Test
• La validation croisée avec H20

Exemple de travaux pratiques (à titre indicatif)

• Cas d'étude d'un arbre de décision avec VC

Jour 2

Les modèles linéaires et autres

• Introduction
• Régression linéaire
• Régression logistique
• Naïve bayésien
• Hyperparamètre (Grid Search)

Exemple de travaux pratiques (à titre indicatif)

• Cas d'utilisation avec une régression

Data manipulation

• Charger et exporter la donnée avec H2O
• Les sources de données
• HDFS
• Remote Files
• Hive Import
• BDD JDBC
• Exploration de données
• Manipulation de données
• Combinaisons
• GroupBy
• Merge
• Data Pre-Processing

Deep Learning H2O

• Les réseaux de neurones
• Deep learning et le Grid Search
• Régression en Deep Learning

Jour 3

H2O : architecture et sécurité

• H2O Stack logiciel
• API REST
• Interaction avec R
• Sécuriser les modèles
• SSL Sécurité

Introduction au Sparkling Water

• Cas d'utilisation nominale
• Construction de modèles
• Le munging de données
• Les processus en stream
• Fonctionnalités
• Les sources de données supportées
• Les formats de données supportés
• Les environnements d'exécutions Spark supportés

L'API H2O

• Démarrage des services H2O
• L'allocation mémoire
• Convertir du H2OFrame au RDD
• Convertir du H2OFrame à un DataFrame
• Convertir du RDD au H2OFrame
• Convertir DataFrame au H2OFrame
• Créer un H2OFrame à partir d'une clé existante
• Le mapping des types entre H2OFrame et Spark DataFrame
• Appeler les algorithmes H2O
• Utiliser Spark Data Sources avec H2OFrame
• Lire à partir du H2OFrame
• Enregistrer dans un H2OFrame
• Charger et sauvegarder les options
• Spécifier le mode d'enregistrement à appliquer

H2O en production

• À propos des POJO et des MOJO
• MOJO Quick Start
• POJO Quick Start
• Exemple de design patterns
• Ressources supplémentaires

Modalités d’évaluation des acquis

L'évaluation des acquis se fait :

• En cours de formation, par des études de cas ou des travaux pratiques
• Et, en fin de formation, par un questionnaire d'auto-évaluation ou une certification (M2i ou éditeur)

Partager cette formation Télécharger au format pdf Ajouter à mes favoris