Cursus
Formation Etat de l’art du Machine Learning et du Deep Learning avec Python
Objectifs
Définir les notions de Machine Learning et de Deep Learning et de Data Sciences.
Pré-requis
Participants
Programme de formation
QU'EST-CE-QUE L'IA ?
-
Définition
-
Les data sciences
-
Le déterminisme
-
Le non déterminisme
-
L'apprentissage supervisé et le non supervisé
-
Le machine learning
-
Le deep learning
-
Les différents domaines
- Les data
- La voix
- La vision
- L'instrumentalisation
- La caractérisation
- La banque
PYTHON ET LES DATAS SCIENCES
-
Python
-
Les librairies Python
- Numpy
- Pandas
- Matplotlib
- Scikit-learn
- Tensorflow
- Seaborn
- Pytorch
-
Le datalake, datamart et datawarehouse
-
Le dataset
-
Le data mining avec Pandas
-
Le workflow des datas
LE MACHINE LEARNING
-
Les rôles des différents acteurs : Data engineer, Data stewart...
-
Scikit-learn
-
La régression
-
La catégorisation
-
L'apprentissage, la prédiction, le score
-
L'affichage des résultats avec Matplotlib
-
La régression linéaire avec sklearn
LES PIEGES DU MACHINE LEARNING
-
Un mauvais dataset
-
La volumétrie nécessaire du dataset
-
Le downfitting
-
L'overfitting
-
La normalisation des données
-
Les statistiques de données
-
Pandas Profiling
LES MODELES NON LINEAIRES
-
kNN
-
Random Forest
-
SVM
-
Les différents scores : accuracy, précision, recall, f1-score...
LES RESEAUX DE NEURONES
-
Les neurones
-
La topologie MLP
-
La descente du gradient
TENSORFLOW
-
Tensorflow
-
Keras
-
Les réseaux denses
-
La validation set
-
Le GPU
LES RESEAUX PROFONDS CNN, RNN ET AUTRES
-
Les réseaux profonds
-
Les réseaux convolutifs
-
Les réseaux récurrents
-
Exemples de modèles : ResNet, VGG, MobileNet, Xception...
-
Le format HDF5
LE TRANSFER LEARNING
-
Modification d'un modèle existant
-
Transfert des poids
-
Les réseaux pour l'embarqué
MLOPS
-
Le devops appliqué au machine learning
-
Python Flask
-
Docker
-
L'intégration continue et les pipelines
LES RESEAUX CONCURRENTS
-
Les réseaux GNN
-
L'apprentissage par renforcement
-
Les réseaux LSTM, GRU
-
ChatGPT