2 jours
Initiation / Fondamentaux
Présentiel Classe à distance
Accueil › Formations › Informatique › Intelligence Artificielle (IA) › Analyse de données avec Machine Learning et Deep Learning › Machine Learning avec Microsoft Azure et Python
Objectifs de formation
A l'issue de cette formation, vous serez capable de :
- Expliquer 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.
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
Prérequis
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
Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.
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.
