FORMEZ-VOUS À DISTANCE AVEC ORSYS !
Depuis chez vous, avec le même niveau d'exigence que le présentiel
Souplesse, flexiblité, qualité
1800 classes à distance,
interactives et en temps réel

Planning des sessions >
Nos solutions de formations éligibles
au dispositif FNE-formation

En savoir plus >
ORSYS formation
NOUS CONTACTER - +33 (0)1 49 07 73 73
NOUS CONTACTER - 📞 +33 (0)1 49 07 73 73    espace pro ESPACE CLIENT     inscription formation orsys S'INSCRIRE     drapeau francais   drapeau anglais

Nos formations :

 

Formation Cycle certifiant Machine Learning et Deep Learning avec R

Cycle Certifiant
Durée : 15 jours
Réf : KNR
Prix  2020 : Nous contacter
  • Programme
  • Composition
  • Participants / Prérequis
  • Intra / sur-mesure
Programme

Avec ce cycle machine learning et deep learning avec R, vous apprendrez à modéliser et représenter des données, mettre en œuvre le machine learning, le deep learning et les techniques de text mining pour vos projets big data. Vous serez reconnu data scientist spécialiste du machine learning et deep learning.

Objectifs pédagogiques

  • Maîtriser les techniques d'exploration de données fondamentales avec R (régressions, ACP, etc.)
  • Mettre en œuvre la chaîne de conception appliquée au machine learning dans un contexte big data batch et streaming
  • Connaître les bibliothèques, principes de conception, outils de diagnostics et domaines d'application du deep learning
  • Comprendre et mettre en application les techniques du text mining pour le machine et le deep learning

Méthodes pédagogiques

Le socle des connaissances en statistiques est fondamental. Les formations doivent être suivies dans l'ordre suivant : DTA, MLB, DPL et MMD.
PROGRAMME DE FORMATION

Big Data Analytics avec R, modélisation et représentation des données

  • Introduction à la modélisation.
  • Procédures d'évaluation de modèles.
  • Les algorithmes supervisés (régression multi variée, polynomiale, régularisée, logistique et le Naive Bayes).
  • Les algorithmes non supervisés (clustering hiérarchique, non hiérarchique et approches mixtes).
  • Analyse en composantes. Analyse de données textuelles.

Travaux pratiques
Mise en place d'échantillonnages de jeux de données. Effectuer des tests d'évaluations sur plusieurs modèles fournis. Mise en œuvre de la diminution du nombre des variables et identification des facteurs sous-jacents des dimensions associées à une variabilité importante, etc.

Machine learning, méthodes et solutions

  • Introduction au machine learning.
  • Les modèles prédictifs, l'approche fréquentiste.
  • Les modèles et apprentissages bayésiens (modèles graphiques, méthodes bayésiennes et modèles markoviens).
  • Machine learning en production.

Travaux pratiques
Évaluation et comparaison des différents algorithmes. Mise en œuvre des familles d'algorithmes en utilisant des jeux de données variés. Mise en production d'un modèle prédictif avec l'intégration dans des processus de batch et dans des flux de traitements, etc.

Deep learning par la pratique

  • Introduction au deep learning. Évolution des réseaux de neurones et les raisons du succès actuel.
  • Introduction aux réseaux de neurones artificiels. Entraînement de réseaux de neurones profonds.
  • Réseaux de neurones convolutifs (CCN). Réseaux de neurones récurrents (RNN).
  • Deep Learning avec Keras (régression logistique, perceptron, réseaux de neurones convolutifs).
  • Autoencodeurs.

Travaux pratiques
Mise en œuvre d'un réseau de neurones à la manière du framework TensorFlow. Mise en œuvre des CNN, des RNN, de Keras et des autoencodeurs en utilisant des jeux de données variés, etc.

Text mining pour le machine learning et le deep learning

  • Les approches traditionnelles en text mining.
  • Feature Engineering pour la représentation de texte.
  • La similarité des textes et classification non supervisée.
  • La classification supervisée du texte.
  • Natural Language Processing et deep learning.

Travaux pratiques
La recherche des documents, la préparation, la transformation et la vectorisation des données en DataFrame. Mise en place des opérations d’extraction des caractéristiques de données textuelles afin d’effectuer des classifications, etc.


Journée de certification

Cette journée est destinée à valider les connaissances acquises au cours du cycle certifiant machine learning et deep learning avec Python. Les compétences validées portent sur la modélisation et la représentation des données, la mise en œuvre du machinelearning, du deep learning et des techniques de text mining.

Certification

Dans le cadre de cette journée, les participants auront une épreuve écrite sous forme de QCM et des travaux pratiques à réaliser.
PROGRAMME DE FORMATION

Présentation des épreuves

  • Rappel des points essentiels vus pendant le cycle certifiant.
  • Présentation des épreuves écrites, orales et des travaux pratiques (documents ressources, durée, plan de passage etc.).
  • Échanges avec l'intervenant.

Épreuve écrite

  • Questionnaire de connaissances sur les principaux cours du cycle certifiant.
  • Épreuve sous forme de questionnaire à choix multiples.

Travaux pratiques

  • Définition d’un problème de machine learning à partir d’un besoin et d’une base de données.
  • Transformation de la base avec Pandas (Python Data Analysis Library).
  • Apprentissage d’une solution qui servira de baseline à l’aide d’un algorithme.
  • Apprentissage d’une solution utilisant du deep learning.
Composition
Participants / Prérequis

» Participants

Data miners, data scientists, ingénieurs IA, etc. Tout acteur ayant à consolider et à faire valider ses connaissances pour être reconnu data scientist spécialiste machine learning et deep learning.

» Prérequis

Bonnes connaissances en statistiques, en mathématiques et en R. Bonnes connaissances en machine learning et du deep learning. Expérience requise.
Intra / sur-mesure

Demande de devis intra-entreprise
(réponse sous 48h)

Vos coordonnées

En cochant cette case, j’atteste avoir lu et accepté les conditions liées à l’usage de mes données dans le cadre de la réglementation sur la protection des données à caractère personnel (RGPD).
Vous pouvez à tout moment modifier l’usage de vos données et exercer vos droits en envoyant un email à l’adresse rgpd@orsys.fr
En cochant cette case, j’accepte de recevoir les communications à vocation commerciale et promotionnelle de la part d’ORSYS Formation*
Vous pouvez à tout moment vous désinscrire en utilisant le lien de désabonnement inclus dans nos communications.
* Les participants inscrits à nos sessions de formation sont également susceptibles de recevoir nos communications avec la possibilité de se désabonner à tout moment.

Ce parcours est composé d’un ensemble de modules. Les dates indiquées ci-dessous correspondent aux premières sessions possibles du parcours.

[-]
PARIS
03 novembre 2020
08 décembre 2020
19 janvier 2021

Pour vous inscrire : Nous consulter

En poursuivant votre navigation, vous acceptez l’utilisation de cookies nous permettant de vous proposer des offres correspondant à vos centres d’intérêt.
En savoir plus sur l’usage des cookies…   ✖ Fermer
linkedin orsys
twitter orsys
it! orsys
instagram orsys
pinterest orsys
facebook orsys
youtube orsys