PYTHON Méthodes de Machine Learning Mixte : présentiel / à distance

• Personnes souhaitant maîtriser et se perfectionner en Python sur le volet Machine Learning : Modéliser, explorer et classifier ses données.

• Cette formation nécessite de posséder des bases de programmation en Python : importation et manipulation de données (des rappels seront effectués). Il est également nécessaire que les participant.e.s aient des connaissances de base en statistique.

A l'issue de cette formation, l'apprenant sera capable de :

• Utiliser les différents composants de l'interface Python
• Connaître les avantages et inconvénients du Machine Learning
• Mettre en place les méthodes de Machine Learning avec les outils de Scikit-learn dans un objectif de prédiction
• Construire un modèle prédictif
• Evaluer la performance d'un modèle et ses erreurs
• Optimiser un modèle

Introduction

• Présentation de Python : Historique
• Pourquoi utiliser Python ?
• Le langage de programmation
• Installation de Python
• Description de l'environnement et de l'interface de Python

 

Présentation du Machine Learning

• Qu'appelle-t-on Machine Learning ?
• Pourquoi faire du Machine Learning, dans quel contexte ?
• Définition des problèmes d'apprentissage : classification et régression
• Exemples de projets/problématiques de Machine Learning
• Quelles sont les méthodes de Machine Learning ?

Syntaxe du langage Python

• Conventions et règles
• Définition des blocs et des commentaires
• Les différents types de données
• Les variables
• Les différentes manipulations des types de données de base : numérique et chaîne de caractères
• Les structures conditionnelles
• Les opérateurs de comparaisons
• Les fonctions

Définition des données en Python

• Notion de variable
• Création de variables
• Les différents types de données en Python
• Qu'est-ce qu'un « type » de données ?
• Définition des types de données
• Quels sont les différents types de manipulation de données en Python ?

La bibliothèque Scikit-learn

• Présentation et outils de la bibliothèque
• Importation de la bibliothèque

Création de modèles prédictifs

• Différentes techniques d'apprentissage : Méthode des K-NN (K plus proches voisins) et arbre de décision
• Création d'un modèle d'apprentissage avec les outils de Scikit-learn

Analyse de modèles prédictifs

• Evaluation de la performance d'un modèle
• Critères de performance
• Procédure d'évaluation
• Les différents critères d'évaluation de performance d'un modèle
• Accuracy
• Matrice de confusion et de coût (classification)
• R²
• Indicateurs d'écarts : Analyse des résidus
• MSE (Erreur quadratique moyenne)
• MAPE
• Analyse des erreurs individuelles

 

Optimisation de modèles prédictifs

• Définition des potentiels risques liés aux modèles prédictifs : Risques de sous-apprentissage et de sur-apprentissage
• Ajustement / calibration du modèle pour éviter les risques de sous-apprentissage et de sur-apprentissage
• Amélioration de la capacité de prédiction d'un modèle : Réalisation d'un ensemble de modèles. Cas des arbres de décisions - Forêts aléatoires (Random Forest)
• Optimisation de la classification
• Procédure de validation croisée
• Evaluation et recherche des meilleurs paramètres d'un modèle

• Utiliser les différents composants de linterface Python
• Connaître les avantages et inconvénients du Machine Learning
• Mettre en place les méthodes de Machine Learning avec les outils de Scikit-learn dans un objectif de prédiction
• Construire un modèle prédictif
• Evaluer la performance dun modèle et ses erreurs
• Optimiser un modèle

• Explications théoriques suivies de pratiques guidées puis de mises en autonomie.
• Exercices autonomes et réguliers pour assurer l'assimilation

Votre formation a lieu en présentiel :

• 1 vidéoprojecteur par salle
• 1 ordinateur

 

Votre formation se déroule à distance avec :

• 1 ordinateur
• 1 connexion Internet
• 1 adresse e-mail valide
• 1 équipement audio (micro et enceintes ou casque)
• 1 Webcam (facultatif – dans l'idéal)
• 1 deuxième écran (facultatif – dans l'idéal)

 

Votre formation se déroule sur notre plate-forme de formation avec :

• 1 ordinateur
• 1 connexion Internet
• 1 adresse e-mail valide
• 1 équipement audio (micro et enceintes ou casque - facultatif)

 

Support stagiaire :

À l'issue de la formation, les exercices et travaux pratiques réalisés, leurs corrigés ainsi qu'un support de cours dématérialisé sera fourni à chaque stagiaire par e-mail ou via la plate-forme FOAD.

L'acquisition des compétences de la formation se fait à travers le suivi du formateur tout au long de la formation (séquences synchrones et asynchrones). Elle s'appuie également sur la réalisation d'exercices et de TP. Enfin, des quiz s'ajoutent aux différents outils de validation de l'acquisition des compétences visées. Une évaluation est systématiquement réalisée par chaque stagiaire, à l'issue de la formation.

Nos formateurs sont certifiés à l'issue d'un parcours organisé par nos soins. Ils bénéficient d'un suivi de maintien et d'évolution de leurs compétences aussi bien au niveau technique que pédagogique.
Chacun de nos formateurs a bénéficié d'une formation spécifique à l'animation de classe virtuelle et à l'utilisation des solutions de formation à distance du Groupe ARKESYS.

Cette formation est accessible à toute personne en situation de handicap. Notre référent handicap prendra contact avec les stagiaires concernés pour adapter l'animation à leurs besoins et rendre l'apprentissage accessible à tous. Enfin, nos centres de formation sont accessibles aux personnes à mobilité réduite.