Les Fondamentaux du Machine Learning avec Python

• Tous publics

• Comprendre les fondements du Machine Learning, y compris l'histoire, les applications et les modèles de base
• Maîtriser le prétraitement des données et entraîner des modèles avec des techniques de mise à l'échelle, validation et fine-tuning
• Explorer les techniques avancées, comme les modèles non supervisés et les méthodes ensemblistes
• Découvrir les concepts de Deep Learning et appliquer des réseaux de neurones profonds
• Utiliser TensorFlow et PyTorch pour traiter des images et des données textuelles

La formation se décompose en 6 modules de 0,5 jour chacun :

Module 1 : + Machine Learning 1 (ML1)

• Introduction : Histoire rapide de 1980 au SOTA
• Présentation des outils et processus de la formation
• Applications communes : Régression / Classification binaire
• Models 1 : Modèles Linéaires : Régression linéaire / Régression logistique
• Metrics 1 : MSE / Accuracy
• Workflow 1 : Séparation des données en jeu d'entraînement et de test

Module 2 : + Machine Learning 2 (ML2)

• Workflow 2 : Pipeline, Scaling (Standardisation, normalisation), Validation croisée
• Application commune : Classification multi-classes
• Metrics 2 : MAE, Erreur Max / Precision, Recall, Rapport de classification, Matrice de confusion
• Models 2 : Modèles non-linéaires : K-voisins, Arbres de décision, Machines à vecteurs de support (fonctions de noyau)
• Fine-Tuning 1 : Fonction objectif & Régularisation

Module 3 : + Machine Learning 3 (ML3)

• Workflow 3 : Ingénierie des caractéristiques, Intégrer une Transformation à un pipeline
• Fine-Tuning 2 : GridSearch
• Models 3 : Modèles non-supervisés : Clustering (K-Means, DBScan) & Réduction de dimensions (PCA)
• Models 4 : Modèles ensemblistes (Forêts aléatoires), Modèles boostés (AdaBoost, XGBoost)
• Récapitulatif des notions du Machine Learning avec un exercice de fin de session supplémentaire

Module 4 : + Deep Learning 1 (DL1)

• Introduction : Histoire rapide de 1980 au SOTA
• Présentation of d'un Réseau de Neurones (DNN)
• Entraînement d'un DNN : Choix de la foncction objectif, de la fonction d'optimisation et de la taille du batch
• Exemple avec un DNN codé "à la main dans numpy"
• Reproduction de l'exemple et comparaison des performances avec un DNN avec TF-keras

Module 5 : + Deep Learning 2 (DL2)

• Présentation des réseaux de neurones convolutifs (CNN)
• Introduction à la gestion des images comme données d'entraînement
• Augmentation d'images
• Transfer-Learning : Utilisation de modèles SOTA déjà entraînés

Module 6 : + Deep Learning 3 (DL3)

• Présentation de TF / PyTorch (celui qui n'avait pas été utilisé jusque-là)
• Introduction au chargement de données en batch avec les méthodes existantes dans TF / PyTorch
• Introduction à la gestion des données texte, au NLP et aux Réseaux de neurones récurrents (RNN)
• Récapitulatif des notions du Deep Learning avec un exercice de fin de session supplémentaire.

Une attestation de participation sera transmise aux participants