Big Data & Intelligence Artificielle

Machine Learning

  

Profil Intervenant(s)
100x100

Docteur en Informatique - Expert Senior - Enseignant-Chercheur
15 ans d'Experience
Spécialités
Applications réparties, Web Services, Architectures Micro Services, Bases de Données avancées, Big Data et IA, J2EE, Technologies Mobiles, JEE, Spring, Hadoop, React, HTML5, XML, DotNet, ...


100x100

Docteur en Informatique - Expert Senior - Enseignant-Chercheur
15 ans d'Experience


Spécialités

Applications réparties, Web Services, Architectures Micro Services, Bases de Données avancées, Big Data et IA, J2EE, Technologies Mobiles, JEE, Spring, Hadoop, React, HTML5, XML, DotNet, ...




      A partir du  15-02-2021 à 10:00



        5 J 

        Formation hybride Cours théorique à distance sur la plateforme youcan-academy.com, et travaux pratiques en présentiel
Inscrivez-vous à la prochaine session

Appelez vos conseillers
06 49 99 11 00
06 64 16 75 10

Objectifs de la formation

• Comprendre les possibilités et les limites du Machine Learning (ML) • Formuler son propre problème de ML • Explorer et manipuler des données • Construire des modèles prédictifs à partir de données d’apprentissage • Utiliser ces modèles en production à l’aide d’APIs • Evaluer la performance et ... Voir Plus

Prérequis


Avoir de bonne aptitudes en programmation et éventuellement quelques notions en mathématiques

Introduction


• Qu’est ce que le “machine learning” • Pourquoi ce domaine est-il en plein essor • Quels sont ses principaux domaines d’applications • Quels sont les problèmes qu’il permet de traiter • Comment évaluer les performances d’un algorithme d’apprentissage

Présentation du Machine Learning et de ses possibilités


• Concepts de base • Formalisation des problèmes d’apprentissage supervisé: classification et régression • Exemples d’utilisation au sein d’applications web et mobile et exemples de Data Science en entreprise

Création d’un 1er modèle prédictif


• Intuitions derrière certaines techniques d’apprentissage: plus proches voisins (nearest neighbors), modèles linéaires, régression logistique et arbres de décision (decision trees) • Révision des bases du langage de script Python et utilisation de notebooks • Apprentissage d’un modèle avec des li ... Voir Plus

Préparation des données avant leur utilisation dans un système d’apprentissage


• Présentation des limites du Machine Learning • Importance du feature engineering • Techniques d’exploration et d’inspection de jeux de données • Procédures de nettoyage et traitement de données; mise en pratique avec la librairie open source Pandas et avec le Data Science Studio de Dataiku ... Voir Plus

Evaluation des modèles prédictifs


• Séparation des données en jeu d’apprentissage, de validation et de test • Test de représentativité des données d’apprentissage • Analyse de performance des modèles prédictifs et mesures agrégées: accuracy, precision, recall, F-measure, matrices de confusion et de coût("hard" classification), AUC ... Voir Plus

Sélectionde modèles


• Procédure de cross-validation • Comment booster l’exactitude des prédictions grâce aux ensembles de modèles; application aux arbres de décision: random forests • Benchmarks de modèles avec l'utilitaire open source Scikit-Learn Laboratory (SKLL), bigmler et Dataiku

Introduction aux algorithmes d’apprentissage profonds


• Profondeur • Motivations pour les architectures profondes • Manque de profondeur . • Architecture profonde du cerveau • Profondeur des processus cognitifs . • Partage statistique • Percée dans l’apprentissage des architectures profondes

Réseaux de neurones


• Présentation du perceptron à une couche; parallèle avec les modèles linéaires • Réseaux Multi-couche • Réseaux convolutionnels • Réseaux récurrents • Fonctionnement des réseaux de neurones de type MLP (Multi-Layered Perceptron) • Initiation à l'apprentissage de MLP simples avec les librairies ... Voir Plus

Introduction à l’apprentissage par descente de gradient


• Le gradient . • Descente de gradient • Descente de gradient stochastique . • Descente de gradient stochastique par mini-lots . • Inertie (momentum) . • Choisir l’échéancier du pas de gradient • Graphes de flot, dérivée en chaîne et rétropropagation : calcul efficace du gradient ... Voir Plus

Les réseaux a convolution


• principe et architecture • les couches à convolution, activation pooling et softmax • Forward et back propagation • mise en place d'un CNN

Les réseaux de neurones recurrents


• Problème fondamentalement des modèle de séquence • Choix de l’architecture . • les types d'un RNN • LSTM • architecture • Mise en place d'un RNN et LSTM

Travaux Pratiques


• On travaillant avec un jeu de données portant sur les prix des maisons en usa • En utilisant le DataSet IRIS • On considère un jeu de données médicales. Chaque exemple correspond à une tumeur du sein. • implémenter l’apprentissage de réseaux de neurones simples. Dans cette série On va travaill ... Voir Plus

  Elasticsearch

  BIG Data Hortonworks Architecture et intégration

© Copyright All Rights Reserved 2020 | Developed By : Team Formations++