Introduction au Machine Learning avec Python

Description de la formation

Objectif

L’objectif de cette formation est de fournir un ensemble d’outils permettant de construire des modèles prédictifs à partir d’un jeu de données en utilisant des techniques d’apprentissage peu profondes (par opposition au «Deep Learning»). Le focus de cette formation est :

• Fournir des outils prêts à l’emploi à partir de la bibliothèque Python SciKit Learn
• Le processus du machine learning, depuis la préparation des données jusqu’à la validation du modèle

Après la formation, le participant sera capable de :

• Faire une première analyse du jeu de données
• Préparer le jeu de données (nettoyage, rééchantillonnage, …)
• Choisir et construire un model sur base de ses objectifs et de la nature des données
• Valider et optimiser son modèle

Durée

3 jours

Contenu du cours

1. Introduction au machine learning 2. Python pour le data sciences et le machine learning

• ABC de Python 101 (types de données, structures de contrôles)
• Les bibliothèques NumPy, Pandas et SciKit-learn
• Manipulation de données avec Python et Pandas

3. Apprentissage supervise avec SciKit-learn

• Régression et classification
• Analyse et préparation des données
• Algorithmes classiques (régression, plus porches voisins, arbres de décision, machine à noyaux, réseaux de neurones)
• Validation du modèle et mesure de performance
• Model optimization

4. Apprentissage non-supervisé Scikit-learn

• Préparation des données, mise à l’échelle
• Réduction de dimentionnalité
• Clustering

5. Traitement des langages naturels avec des classificateurs Bayésiens ProgrammeJour 1

• Introduction au machine learning
• Construction d’un modèle de base Python pour le data sciences et le machine learning
• ABC de Python 101 (types de données, structures de contrôles)
• Les bibliothèques NumPy, Pandas et SciKit-learn
• Manipulation de données avec Python et Pandas

Jour 2

• Apprentissage supervise avec SciKit-learn
• Régression et classification
• Analyse et préparation des données
• Algorithmes classiques (régression, plus porches voisins, arbres de décision, machine à noyaux, réseaux de neurones)
• Validation du modèle et mesure de performance
• Model optimization

Jour 3

• Apprentissage non-supervisé Scikit-learn
• Préparation des données, mise à l’échelle
• Réduction de dimentionnalité
• Clustering
• Traitement des langages naturels avec des classificateurs Bayésiens

Formateur

Grégory Seront : Teacher HE Vinci

Informations pratiques

Lieu

Campus Woluwe - Champs_43 - Clos Chapelle-aux-Champs, 43 - 1200 Bruxelles

Matériel

Horaire de la session

• lundi 11 décembre 2023 : 08:30 - 17:30
• mardi 12 décembre 2023 : 08:30 - 17:30
• mercredi 13 décembre 2023 : 08:30 - 17:30

Prix

• 570 €
• 520 € - Diplômés HE Vinci et membres de la communauté de la HE Vinci.

Inscription

Minimum 8 participants - maximum 15 participants

À nous faire parvenir au plus tôt (les inscriptions sont validées dans l'ordre d'arrivée des acomptes au prorata des places disponibles).

Paiement

• Acompte de 175 € pour valider l’inscription
• Solde à verser 20 jours avant le début de la formation
• Mentionner la communication structurée qui vous aura été communiquée lors de l'inscription

BELFIUS N°BE04-0682-4057-9831
HE Vinci asbl

Renseignements complémentaires

formation.continue@vinci.be

+32 2 431 07 47

Conditions de vente