Machine Learning - Fondamentaux avec Python et Scikit-Learn
Formation créée le 03/05/2022. Dernière mise à jour le 10/10/2022.
Version du programme : 1
Programme de la formation
Objectif de formation : Cette formation vous permettra d’appréhender et d’appliquer les algorithmes de machine learning (apprentissage automatique) avec la librairie scikit-learn.
Objectifs de la formation
- Identifier les problèmes pouvant faire appel à l’apprentissage automatique
- Découvrir les modèles classiques d’apprentissage supervisé
- Évaluer les performances des modèles d’apprentissage
- Utiliser la librairie scikit-learn pour comprendre et mettre en oeuvre les différentes étapes d’un traitement de données par apprentissage supervisé
Profil des bénéficiaires
Pour qui
- Développeurs
- Ingénieurs
- Chercheurs
- Chefs de projets techniques
Prérequis
- Connaissances solides en Python
- Facultatif : Connaissances de base en algèbre linéaire
- Facultatif : Avoir suivi la formation « Python - Programmation scientifique »
Contenu de la formation
-
Introduction à l’apprentissage automatique
- Historique et motivations
- Panorama des différents types d’apprentissage
- L’apprentissage supervisé : classification vs. régression
- Exemples concrets
-
Les modèles classiques
- Modèles linéaires
- Arbres de décision et modèles sous-jacents
- Support vecteur machines (SVMs) et leurs kernels
- Quelques modèles très utilisés dans l’industrie
-
La réduction de dimensions
- La malédiction de la dimension
- Variables corrélées / décorrélées du problème
- L’apprentissage non-supervisé : PCA & Manifold projection
-
Pré-traitement des données
- Normalisation
- Encodage des variables qualitatives
- Augmentation de données
- Traiter les données manquantes
-
Pipelines scikit-learn
- Découverte du Pipeline scikit-learn
- Enchainement de pré-traitement et d’entrainement de modèle
- Visualisation du Pipeline
- Introduction du ColumnTransformer
-
Sélection des modèles
- Théorème du “No-free lunch”
- Comparer des modèles
- Scores / métriques de performance
-
Optimisation des modèles
- Les hyper-paramètres
- Recherche en grille (grid search) vs. aléatoire (random search)
- Recherche d’hyperparamètres et cross-validation grâce au Pipeline
- Visualisation des résultats avec parallel plots (ex : plotly ou hiplots)
Équipe pédagogique
Professionnel expert technique et pédagogique.
Suivi de l'exécution et évaluation des résultats
- Feuilles de présence.
- Questions orales ou écrites (QCM).
- Mises en situation.
- Formulaires d'évaluation de la formation.
- Certificat de réalisation de l’action de formation.
Ressources techniques et pédagogiques
- Espace numérique de travail
- Documents supports de formation projetés
- Exposés théoriques
- Etude de cas concrets
- Quiz en salle
- Mise à disposition en ligne de documents supports à la suite de la formation
Qualité et satisfaction
Taux de satisfaction des apprenants, nombre d'apprenants, taux et causes des abandons, taux de retour des enquêtes, taux d'interruption en cours de prestation.