Objectifs
À la fin de la formation Machine Learning avec Python, vous serez capable de valider les objectifs d’apprentissages suivants :
➤Décrire les concepts du machine learning.
➤Connaître les principaux algorithmes utilisés en machine learning.
➤Utiliser la bibliothèque Scikit-Learn.
➤Mettre en œuvre le regroupement de données automatique (clustering).
➤Utiliser Azure Machine Learning.
Prérequis
Cette formation Machine Learning avec Python suppose de savoir développer et de connaître les bases de Python. Vous pouvez les acquérir en suivant la formation Python (OPYT).
Programme
1.Fondamentaux du Machine Learning.
➤Les promesses du machine learning.
➤Les technologies sous-jacentes.
➤Liens entre Cloud, Big Data et Machine Learning.
➤Présentation du Deep Learning.
2.Les algorithmes standards.
➤Différences entre apprentissage supervisé et non supervisé.
➤La régression linéaire.
➤La régression logistique.
➤L’arbre de décision.
➤Les machines à vecteur de support (SVM).
➤La classification selon Naive Bayes.
➤Les plus proches voisins.
➤Pourquoi faut-il parfois réduire les dimensions ?
➤Les réseaux de neurones.
3.La bibliothèque Python (Scikit-Learn).
➤Comment utiliser la documentation ?
➤Intégration de Scikit-Learn avec d’autres librairies (Pandas, Numpy, SciPy,Matplotlib, etc.).
➤Représentation des données par des tableaux (Numpy, Scipy, Pandas,Python).
➤Représentation d’une prédiction par une classe (prédicteur, classifieur,estimator).
➤Comment choisir le bon algorithme d’apprentissage automatique ?
4.Apprentissage non supervisé (clustering) en Python.
➤Explorer les données et les regrouper (clustering).
➤Visualisation avec clustering hiérarchique et t-SNE.
➤Décorrélation des données et réduction des dimensions.
➤Découvrir des fonctionnalités interprétables.
➤Extraire des connaissances des textes (Text Mining).
5.Azure Machine Learning.
➤Construire des modèles sans coder avec les outils du Cloud.
➤Les services proposés par Visual Studio, Azure et GitHub.
➤Valider les performances des modèles.
➤Déployer son modèle.
➤La préparation des données.
