Introduction au Machine Learning pour Analystes (Python)
Télécharger le programme
21 heures sur 3 jours
à Paris & à distance
(Zoom, Google Meet, etc.).
2 100 € HT / personne
Etudions ensemble vos options
de financement
Objectifs de la formation
Introduction au Machine Learning pour Analystes (Python)
Identifier les concepts fondamentaux du machine learning (ML) et ses applications.
Préparer et transformer des jeux de données pour l’entraînement de modèles.
Mettre en œuvre des algorithmes supervisés et non supervisés sur des jeux de données réels.
Évaluer les performances des modèles et optimiser leurs hyperparamètres.
Interpréter les résultats et comprendre les implications des choix algorithmiques.
Pré-requis pour suivre cette formation
Connaissances fondamentales en statistiques et probabilités
A qui s'adresse cette formation ?
Analystes de données, data scientists débutants, ingénieurs et professionnels souhaitant comprendre et appliquer le machine learning avec Python
Formations recommandées
Aucun programme supplémentaire n'est requis pour suivre cette formation.
Au programme de la formation
Introduction au Machine Learning pour Analystes (Python)
- Définition et enjeux du Machine Learning
- Machine Learning supervisé vs non supervisé
- Applications du ML dans différents domaines
- Installation des bibliothèques (NumPy, Pandas, Scikit-Learn, Matplotlib)
- Utilisation des notebooks Jupyter pour l'expérimentation
- Chargement et nettoyage des jeux de données
- Traitement des valeurs manquantes et encodage des variables catégorielles
- Normalisation et standardisation des données
- Division en ensembles d’entraînement et de test
- Méthodes de validation croisée et importance du sur-apprentissage
- Principe et mise en œuvre avec Scikit-Learn
- Interprétation des coefficients et analyse des performances
- Fonctionnement des modèles d’arbres
- Optimisation des hyperparamètres avec GridSearchCV
- Principe du clustering
- Implémentation de K-Means et DBSCAN
- Mesures de performance : précision, rappel, F1-score, courbe ROC-AUC
- Comparaison des performances entre modèles
- Techniques de feature engineering
- Réduction de dimension avec PCA
- Régularisation (Lasso, Ridge)
- Recherche d’hyperparamètres (GridSearch, RandomizedSearch)
- Techniques d’augmentation des données
- Importance de l’explicabilité des modèles
- Introduction à SHAP et LIME
- Identification des biais algorithmiques
- Sérialisation des modèles avec Pickle
- Déploiement basique avec Flask ou FastAPI
- Bonnes pratiques pour l’industrialisation du ML
Méthode pédagogique
8 participants maximum, un poste par stagiaire et un support de cours est remis en fin de stage. La formation est constituée d'apports théoriques, de démonstrations et de mises en pratique basées sur des exercices (méthode démonstrative).
Accessibilité
Cette formation est accessible aux personnes en situation de handicap.
Modalité de validation des acquis
Évaluation continue des connaissances via des exercices et/ou ateliers et des acquis via un questionnaire en fin de formation. Attestation de fin de stage (certificat de réalisation). Émargement quotidien d'une feuille de présence.
Demander des informations
Vous souhaitez en savoir plus ou directement vous inscrire à une session ?
Contactez-nous pour monter votre dossier !
Formations similaires
Ces formations pourraient vous intéresser
-
NEW
IA & Machine LearningIntroduction au Machine Learning pour Analystes (Python)Niveau initiation
-
NEW
IA & Machine LearningPrompting avancé, fine-tuning et personnalisation des IA générativesNiveau perfectionnement
-
NEW
IA & Machine LearningComputer Vision & IA appliquée à l’imageNiveau perfectionnement
-
NEW
IA & Machine LearningNLP (Traitement du Langage Naturel) avec Python (spaCy, Hugging Face, Llama)Niveau perfectionnement
-
NEW
IA & Machine LearningGénérative et Large Language Models (GPT, Gemini, etc.)Niveau
-
NEW
Automatisation & IA générative avec CopilotPython pour l'IA - initiationNiveau initiation
-
NEW
Automatisation & IA générative avec CopilotPython pour l'IA - perfectionnementNiveau perfectionnement
