Technologies, état de l'art
Machine Learning
Objectif
Comprendre comment organiser le traitement des données et structurer les processus de Machine Learning.
Posséder une culture informatique de base.
Moyens pédagogiques
Réflexion de groupe et apports théoriques du formateur
Travail d'échange avec les participants sous forme de réunion-discussion
Utilisation de cas concrets issus de l'expérience professionnelle
Validation des acquis par des questionnaires, des tests d'évaluation, des mises en situation et des jeux pédagogiques.
Alternance entre apports théoriques et exercices pratiques (en moyenne 30 à 50%)
Remise d'un support de cours.
Moyens techniques
Modalités d'évaluation
Feuille de présence signée en demi-journée,
Evaluation des acquis tout au long de la formation,
Questionnaire de satisfaction,
Attestation de stage à chaque apprenant,
Positionnement préalable oral ou écrit,
Evaluation formative tout au long de la formation,
Evaluation sommative faite par le formateur ou à l'aide des certifications disponibles
Modalités distance
A l’aide d’un logiciel (Teams, Zoom…), d’un micro et éventuellement d’une caméra les apprenants interagissent et communiquent entre eux et avec le formateur.
Sessions organisées en inter comme en intra entreprise.
L’accès à l’environnement d’apprentissage ainsi qu’aux preuves de suivi et d’assiduité (émargement, évaluation) est assuré.
Pour toute question avant et pendant le parcours, assistance technique à disposition au 04 67 13 45 45.
Profil formateur
Nos formateur sont des experts dans leurs domaines d'intervention
Leur expérience de terrain et leurs qualités pédagogiques constituent un gage de qualité.
Accessibilité
Les personnes en situation d'handicap sont invitées à nous contacter directement, afin d'étudier ensemble les possibilités de suivre la formation.
Pour tout renseignement, notre référent handicap reste à votre disposition : mteyssedou@ait.fr
Chefs de projet, développeurs, data scientists, architectes
Compte personnel de formation
La formation n'est pas compatible avec le Compte personnel de formation
Sessions inter-entreprises
La formation n'est pas compatible avec l’organisation en session inter-entreprises
Programme de la formation
Introduction au machine learning
- Le Big Data et le machine learning.
- Zoom sur les données et les requêtes, attentes, des utilisateurs
- Les étapes de la préparation des données.
- le data munging/wrangling
- Le rôle du data scientist
Le Machine Learning
- Définition, les attentes par rapport au Machine Learning
- Les valeurs d’observation, et les variables cibles.
- Ingénierie des variables
- Comment choisir l'algorithme et les variables de l'algorithme.
Apprentissage automatique
- Les algorithmes d'apprentissage supervisés, non supervisés
- Classification des données
- Les étapes de construction d'un modèle prédictif.
- Détecter les valeurs aberrantes et traiter les données manquantes.
- Algorithmes : régression linéaire, k-voisins, classification naïve bayésienne, arbres de décision, etc ..
Les risques et écueils
- Importance de la préparation des données.
- L’écueil du « surapprentissage ».
- Les limites du Machine Learning
La visualisation des donnés
- L’intérêt de la visualisation.
- Outils disponibles,
Machine learning en production
- Les spécificités liées au développement d'un modèle en environnement distribué.
- Le déploiement Big Data avec Spark et la MLlib.
- Le Cloud : Amazon, Microsoft Azure ML, IBM Bluemix...
- La maintenance du modèle