Principes fondamentaux de AI et ML en Python

Pendent cette formation de 3 jours chez ABIS, vous apprenez analyser des données et construire des modèles en utilisant des outils ML comme scikit-learn et PyTorch.

Dans ce cours, nous discuterons les aspects les plus importants de l'Intelligence Artificielle (AI) et plus spécifiquement de l'Apprentissage Automatique (ML). Nous commençons par examiner les différents problèmes qui peuvent être résolus grâce à ML et nous verrons quand et pourquoi utiliser ML. Ensuite, nous nous plongeons au fonctionnement interne du ML.

  • Ce cours vous permettra d'aborder les principes fondamentaux de AI et de ML.
  • Nous mettrons ces connaissances en pratique en construisant (et en utilisant) nos propres modèles ML en Python avec scikit-learn, une bibliothèque Python populaire pour ML.

Planifier une session?

Formation interactive en temps réel – disponible en personne ou en ligne ou dans un format hybride. La formation peut être effectuée en français, en anglais ou en néerlandais.

DEMANDER FORMATION EN ENTREPRISE

 

Calendrier publique des formations

Il n'y a pas de sessions publiques à ce moment. Nous organisons volontiers un cours en entreprise ou une session publique supplémentaire (en cas d'un nombre suffisant de participants). Intéressé? Contactez-nous.

Participants

Toute personne souhaitant utiliser l'apprentissage automatique pour résoudre des problèmes concrets.

Connaissances préalables

Une bonne connaissance du langage de programmation Python est un prĂ©requis (voir Python: cours de base). De l'expĂ©rience avec Pandas (voir cours Python pour l'analyse des donnĂ©es) est un avantage.

Contenu

  • Concepts et techniques de base de AI et de ML:
    • Supervised learning versus unsupervised learning
    • Les donnĂ©es training & testing; cross-validation
    • PrĂ©cision; matrice de confusion
    • Underfitting versus overfitting; compromis entre biais et variance; courbes de validation
    • RĂ©gularisation
    • Automatiser la sĂ©lection de modèles
  • Les diffĂ©rents modèles Ă  former avec ML:
    • RĂ©gression linĂ©aire & polynomiale; Ridge rĂ©gression
    • RĂ©gression logistique; Classification
    • Clustering: K-means & hierarchical clustering
    • Anomaly detection
    • Dimensionality reduction: PCA & LDA
    • Decision trees & random forests
    • Brève introduction aux rĂ©seaux neuronaux et au "deep learning"
  • Construire, valider et utiliser des modèles ML avec Scikit-learn

Pédagogie

Enseignement en classe, axé sur des exemples pratiques et soutenu par des exercices approfondis et une pratique individuelle.

Certificat

À la fin du cours, le participant reçoit un «Certificat de réussite».

Durée

3 jours.

Formateur

Reviews

4.0/5 (basé sur 18 évaluations; les plus récentes sont montrées ci-dessous)

It was a good course for anyone who does want to start machine learning.

 
  (, )

I enjoyed the course it provided a very good introduction into the different aspects of ML

 
  (, )

Excellent trainer with in-depth knowledge and excellent interpersonal skills. Course did holistic coverage of ML life cycle, that was great.

 
  (, )

the explanation of the course is clear and exercise is good and handable

 
  (, )

Peter is an amazing instructor. Course is awesome.

 
  (, )

Coherent, focused, hands on

 
  (, )

Aussi intéressant

Participants de ce cours ont aussi suivi les formations suivantes:


INFO SESSION ET INSCRIPTION