LA MACHINE LEARNING AVEC PYTHON

• Découvrir tous les concepts fondamentaux à maîtriser pour un Machine Learning Engineer.

Chefs de projet et aux équipes de la MOE devant mener des projets en IA, aux membres d’une DSI.

Avoir des notions en Python est un plus

Les débutants en programmation python feront l’objet d’une remise à niveau succincte et rapide et seront accompagnés de près :

Avant la formation au Machine Learning à l’aide de Mooc à suivre sur la programmation en Python

Pendant la formation grâce à un accompagnement de proximité

Module 1 - Initiation à Python pour les débutants (3 jours) : Mise à niveau

• Introduction
• Mooc sur la programmation en Python
• Pré-requis Python / Pandas : rattrapage accéléré
• Aide-mémoire PYTHON pour la DATA SCIENCE fourni

Module 2 Introduction pour les moins débutants et les confirmés en Python (3 jours)

• Introduction
• Quel est le programme de la formation Machine Learning?
• Installation Anaconda / Python
• Installation Anaconda (version texte)
• Installation bibliothèques requises dans la formation

Module 3 - MACHINE LEARNING : LES FONDAMENTAUX

• Introduction aux K plus proches voisins - k Nearest Neigbors (kNN)
• Définition du problème : qu'est-ce que le Machine Learning?
• Introduction au dataset
• Les k plus proches voisins - k Nearest Neighbors
• Distance euclidienne
• Calculer la distance pour toutes les observations
• Randomiser et trier
• Fonction pour faire des prédictions

Module 4 - Evaluer la performance du modèle

• Tester la qualité des prédictions
• Les métriques d'erreur
• Erreur quadratique moyenne (MSE)
• Entrainer un autre modèle
• Racine carrée de l'erreur quadratique moyenne (RMSE)
• Comparaison des erreurs

Module 5 - Modèle multivarié des K plus proches voisins

• Récapitulatif
• Supprimer des caractéristiques
• Gérer les valeurs manquantes
• Normaliser les colonnes
• Distance Euclidienne pour le cas multivarié
• Introduction à la bibliothèque Scikit-learn
• Entrainer un modèle et faire des prédictions en utilisant Scikit-learn
• Calculer l'erreur quadratique moyenne en utilisant Scikit-learn
• Utiliser plus de caractéristiques
• Utiliser toutes les caractéristiques

Module 6 - Optimisation hyper paramétrique

• Récapitulatif
• Optimisation hyper paramétrique
• Elargir la grille de recherche
• Visualiser les valeurs des hyper paramètres
• Varier les caractéristiques et les hyper paramètres
• Pratiquer le déroulement des opérations (workflow)

Module 7 - Validation croisée

• Introduction
• Validation croisée Holdout
• Validation croisée des K-Fold
• Première itération
• Fonction pour entrainer des modèles
• Exécuter une validation croisée des K-Fold en utilisant Scikit-learn
• Explorer différentes valeurs de K
• Compromis Biais - Variance

Module 8 - Projet guidé 1 : Prédiction de prix de voitures

• Introduction au dataset
• Solution - Introduction au dataset
• Nettoyage de données
• Solution - Nettoyage de données
• Modèle univarié
• Solution - Modèle univarié
• Modèle multivarié
• Solution - Modèle multivarié
• Variation des hyperparamètres
• Solution - Variation des hyperparamètres

Module 9 - REGRESSION LINEAIRE appliquée au MACHINE LEARNING

• Modèle de Régression Linéaire
• Apprentissage basé sur une instance Vs. Apprentissage basé sur un modèle
• Introduction aux données
• Régression linéaire simple
• Méthode des moindres carrés
• Entrainer un modèle de régression linéaire avec Scikit-learn
• Faire des prédictions
• Régression linéaire multiple

Module 10 - Sélection des caractéristiques

• Valeurs manquantes
• Corrélation des colonnes de caractéristiques avec la colonne cible
• Heatmap de la matrice de corrélation
• Entrainer et tester le modèle
• Supprimer les caractéristiques de faible variance
• Modèle final

Module 11 - Gradient Descent

• Introduction au Gradient Descent
• Gradient Descent à un seul paramètre
• Dérivée de la fonction de coût d'erreur
• Fonction Gradient Descent
• Fonction dérivée
• Comprendre le gradient descendant pour des paramètres multiples
• Gradient de la fonction coût pour plusieurs paramètres

Module 12 - Moindres carrés ordinaires

• Estimation des moindres carrés ordinaires
• La fonction de coût
• Dérivée de la fonction de coût
• Gradient Descendant vs. Moindres carrés ordinaires

Module 13 - Traitement, nettoyage et transformation des caractéristiques

• Introduction
• Caractéristiques de catégorie
• Technique pour gérer les caractéristiques de catégorie: colonnes factices
• Transformer des caractéristiques numériques impropres ou inappropriées
• Valeurs manquantes
• Imputer des valeurs manquantes

Module 14 - Projet guidé 2 : Prédiction des prix de vente de maisons

• Introduction au projet
• Solution - Introduction au projet
• Traitement des caractéristiques
• Solution - Traitement des caractéristiques
• Sélection des caractéristiques
• Solution - Sélection des caractéristiques
• Entrainement et Test
• Solution - Entrainement et Test

Module 15 - PARTIE 3 -- MACHINE LEARNING : TECHNIQUES INTERMEDIAIRES

• Régression Logistique
• Classification
• Introduction aux données
• Régression logistique
• Fonction logistique
• Entrainer un modèle de régression logistique
• Tracer les probabilités
• Prédiction des libellés

Module 16 - Introduction à l'évaluation d'un classificateur binaire

• Introduction aux données
• Précision
• Résultats de la classification binaire
• Sensibilité
• Spécificité

Module 17 - Classification Multi-Classe

• Introduction aux données
• Variables Nominales
• Classification Multi-Classe
• Entrainer un modèle de régression logistique multi-classe
• Tester les modèles
• Choisir l'origine de la voiture

Module 18 - Overfitting (surapprentissage)

• Introduction aux données
• Biais et Variance
• Compromis Biais - Variance
• Modèles multivariés
• Validation croisée
• Graphique compromis erreur quadratique moyenne / variance

Module 19 - Les bases du Clustering

• Aperçu du Clustering
• Introduction aux données
• Explorer les données
• Distance entre les Sénateurs
• Clustering
• Explorer les Clusters
• Explorer les Sénateurs présents dans le mauvais Cluster
• Tracer les Clusters
• Trouver les Sénateurs radicaux

Module 20 - K-Means Clustering

• Clustering sur les joueurs de NBA
• Les meneurs de Jeu
• Points par Match
• Ratio Passe décisive - Perte de balle
• Visualiser graphiquement ces meneurs de jeu
• Clustering des joueurs
• L'algorithme Setup K-Means (itératif)
• Visualiser les centroïdes
• L'algorithme Setup K-Means (la suite)
• Etape 1 (Distance Euclidienne)
• Etape 1 (la suite)
• Visualiser les Clusters
• Etape 2
• Répéter l'étape 1
• Répéter les étapes 1 & 2
• Utilisation de la classe KMeans

Module 21 - Gradient Descent

• Introduction aux données
• Modèle linéaire
• Introduction à la fonction Cost
• La fonction Cost (suite)
• Fonction Cost - Pentes
• Algorithme du Gradient Descent
• BONUS : Introduction au concept de Réseaux de neurones
• Introduction aux données
• Neurones
• Fonction Cost
• Calculer les Gradients
• Réseau de neurones à 2 couches
• Réseaux de neurones
• Fonction de coût pour un réseau de neurones multiple
• Backpropagation (ou rétropropagation)
• Séparation des données
• Prédiction sur les fleurs d'iris
• Projet guidé 3 : Prédire le marché boursier
• Le marché boursier et le dataset
• Lire les données
• Solution - Lire les données
• Générer des indicateurs
• Solution - Générer des indicateurs
• Séparer les données
• Solution - Séparer les données
• Faire des prédictions
• Solution - Faire des prédictions
• Améliorer le modèle
• Solution - Améliorer le modèle

• Pour les formations en présentiel : Support de cours, salle et équipement informatique mis à disposition
• Plateforme de visioconférence pour les cours à distance

• Evaluation des besoins en amont de la formation et adaptation du programme aux attentes
• Alternance d’exercices pratiques corrigés, de questionnaires
• Evaluation à chaud et à froid du niveau de satisfaction et de la mise en application des compétences acquises en cours de formation.
• Formateurs disposant d’une d’expérience minimum de 5 ans sur la thématique enseignée.

• Test de positionnement en début de formation 
• Tests ou quiz de contrôle de connaissances ou autoévaluation à chaque étape de l’apprentissage
• Remise d’une attestation finale individuelle. Cette attestation valide le niveau de progression et les acquis