Formation Analyse de données avec Machine Learning et Deep Learning Machine Learning avec Microsoft Azure et Python

Partager cette formation Télécharger au format pdf Ajouter à mes favoris

Objectifs pédagogiques

• Comprendre et mettre en place un processus complet de Machine Learning
• Explorer et préparer les données
• Choisir et appliquer le bon algorithme
• Entraîner et améliorer votre modèle et le déployer.

Niveau requis

Connaître les bases du Cloud Microsoft Azure et les bases du langage Python.

Public concerné

Développeurs, datascientists.

Programme

Introduction au Machine Learning

• Définition
• Vocabulaire
• A quelles questions répond le Machine Learning ?
• Atelier : Introduction au Machine Learning

Exploration des données

• Explorer les données pour un algorithme dit de régression
• Explorer les données pour un algorithme dit de classement
• Azure Machine Learning Workbench et Azure Notebook
• Atelier : Visualiser les données pour une régression et pour une classification

Préparer les données

• Gérer les données dupliquées
• Gérer les données manquantes
• Gérer les erreurs
• Transformer et splitter les données
• Etudier les "features"
• Azure Machine Learning Workbench et Azure Notebook
• Atelier : Préparer les données en Pyhton et avec Azure Machine Learning Workbench

Algorithme supervisée

• Les bases de Scikit-Learn
• Régression linéaire et classification
• Logistic regression
• Loss Function et ROC
• Atelier : Créer un modèle de régression et de classification

Amélioration du modèle

• Selection des "features"
• Régularisation
• Interpréter les "features"
• Paramètres
• Validation croisée
• Atelier : Selection, réduction, cross-validation, Biais-Variance Trade-Off

Entraîner et déployer le modèle dans Azure

• Entraîner localement un modèle
• Entraîner le modèle dans le Cloud
• Déployer son modèle
• Atelier : Entraîner et déployer le modèle

Les autres algorithmes

• Arbres de décisions
• Méthodes des ensembles
• Réseaux de neurones
• Support Vector Machines (SVM)
• Théorème de Bayes
• Atelier : Bagging, Boosting, RNN, SVM, Naïve Bayes

Algorithme non-supervisé

• Clustering
• Atelier : Application d'un cluster

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