Machine Learning et Deep Learning avec Python

Découvrir les principaux modèles de Machine Learning et les mettre en œuvre dans Python à l'aide de Scikit Learn. Savoir évaluer la performance des modèles. S'initier au Deep Learning et à sa mise en pratique à l'aide de Tensorflow, Keras et statsmodels

- Concepts du Machine Learning (1.5 jour) Tour d'horizon des applications du Machine Learning/Deep Learning et intelligence artificielle Présentation des différents type d'apprentissage Principe de la régression linéaire Compromis Biais Variance Modèles ensemblistes (Random Forest) Modèles non linéaires (support vector Machine, Multi Layer Perceptron) Réduction de dimensions (PCA, SparsePCA, Analyse factorielle) Bonnes pratiques en Data Science - Prise en main de la librairie scikit-learn (2 jours) Présentation de scikit-learn Exemples de modèles de classification supervisée sur un jeu de données (potentiellement proposé par les stagiaires) Mise en place des étapes d'entraînement des modèles et bonnes pratiques (validation croisée, pénalisation, ajustement des hyperparamètres) Sélection des variables Importance des variables (globale et locales avec les algorithmes LIME et SHAP) Évaluation de modèles dans le cas classification et dans le cas régression pour apprentissage supervisé - Introduction au Deep Learning (1.5 jour) Zoologie des types de couches de neurones artificielles Principes de rétropropagation et mise à jour des paramètres Mise en pratique avec un modèle simple de réseau de neurones convolutionnels pour de la classification d'image Principe du transfer learning, knowledge distillation et entraînement à partir de 0 Éléments de traitement de langage naturel avec des réseaux de neurones (réseaux récurrents)

Attestation de formation

Pour suivre ce stage dans de bonnes conditions, il est recommande d avoir suivi en amont la formationPython - Bases et introduction aux librairies scientifiquesou d avoir atteint par la pratique un niveau equivalent