Formations au coeur des technologies

Essayer, tester, échanger les bonnes pratiques, partager les retours d'expériences, ...
toutes nos formations sont disponibles à distance (classes virtuelles) et en centre de formation (présentiel), au choix.
Vous pouvez même changer de modalité en cours de formation, si vous avez des contraintes : par exemple, commencer en présentiel et continuer les jours suivants à distance.
Les outils pédagogiques et l'infrastructure de travaux pratiques mis à disposition sont accessibles depuis nos locaux, ou depuis votre entreprise ou votre lieu de télétravail, à volonté
N'hésitez pas à tester nos formations et nos serious games !

Formation : Machine Learning avec scikit-learn

Durée2 jours
Prix1 670 €
Code coursDS011
Inscription

Public:

Chefs de projet, data-scientists, souhaitant comprendre le fonctionnement de scikit-learn

Objectifs:

Mettre en oeuvre scikit-learn pour de l'apprentissage machine et l'analyse de données

Connaissances préalables nécessaires:

Connaissance de python et d'une bibliothèque de calcul telle que numpy ou pandas

Programme détaillé de la formation


(logo acroreadTéléchargez le programme) :
Présentation
Historique
Fonctionnalités
Lien avec Numpy et Scipy
Manipulation de données
Chargement de données
Pré-traitement de données: standardisation, transformations non linéaires, discrétisation
Génération de données
Analyse des données et classification
Modèles: linéaires, quadratiques, descente de gradient
Algorithmes, choix d'un estimateur.
Classification : k-voisins, régression logistique, classification naïve bayésienne, arbres de décision, forêts aléatoires, SVC
Régression : régression linéaire, lasso, SGDr, SVR
Détection de groupes : k-moyennes, Spectral Clustering/GMM
Analyse globale : Randomized PCA, kernel approximation
Atelier : classification automatique d'un jeu de données à partir d'une régression logistique


Création de jeux d'essai, entraînement et construction de modèles.
Prévisions à partir de données réelles. Mesure de l'efficacité des algorithmes. Courbes ROC.
Parallélisation des algorithmes. Choix automatique.
Atelier : Mise en évidence des erreurs d'apprentissage en fonction des hyper-paramètres


Recherche de clusters: modélisations, algorithmes, et méthodes d'évaluation
Réseaux de neurones
Modèles d'apprentissage
Chargement et enregistrement
Génération de modèles
Estimation de la performance d'un modèle
Mesures de performance
Modification des hyper-paramètres
Application pratique avec les courbes d'évaluations

Déroulé pédagogique
Modalités et délais d'accès
Méthodes mobilisées

Pythagore-F.D.

01 55 33 52 10
pfd@pythagore-fd.fr
Calendrier
Code cours : DS011

Contenu de la formation
Machine Learning avec scikit-learn:

Accès à la liste des cours



Vous pouvez bien entendu composer votre programme personnel à partir de nos descriptifs de cours


Version du document : R726
Date de mise à jour du document : 2024/08/26