Machine learning

Formation de groupe

€1150
940
  • 10 Personnes maximum
  •  
  •  
  •  
Populaire

Formation de longue durée

Nous contacter
  • Formation sur mesure pour vos salariés

    Cognitus étant référencé organisme de formation auprès de l'état Français, vous pourrez bénéficier des aides au financement

Prochaines dates

1 Juillet



15 Juillet

Avantages et bénéfices distinctifs

Les bonnes raisons d’intégrer nos formations spécialisées

☑️ Formation conçue pour les PME


☑️ L’acquisition d’un savoir-faire technique de qualité pour une mise en œuvre rapide


☑️ Un savoir dispensé par des experts PHD du domaine

☑️ Une remise à jour constante, en fonction de l’évolution des outils et techniques


☑️ De la pratique en temps réel assurant un mémorisation et une maîtrise immédiate


☑️ Des connaissances toujours mises en contexte par rapport à leur valeur sur le marché

Programme détaillé de la formation

  • Data Mining vs Machine Learning vs Deep Learning

  • Machine Learning vs Big Data

  • Apprentissage supervisé vs Apprentissage non-supervisé vs Apprentissage semi-supervisé
  • Problèmes de régression et de classification

 

  1. Traitement de données
  • Vocabulaire des données (données d’entraînement, données de test, variables, individus, ….)
  • Échantillonnage balancé,
  • Échantillonnage stratifié,
  • Analyse en composantes principales 

  • Technique de sélection de variables
  • Tour d’horizon des problèmes & types d’apprentissage avec les méthodes ensemblistes : (supervisé/non supervisé, classification/régression, single/multi output, structuré/non structuré, statistiques ou non, etc.).
  • Les arbres de décision
  • Les concepts importants : critères de performance, validation croisée, overfitting, dilemme biais-variance.
  • Principaux modèles et algorithmes enselblistes d’apprentissage supervisé
    • Bagging
    • Random Forest
    • Rotation Forest
    • Boosting
    • XgBoost
    • Random Subspace Methods
    • Stacking
  • Méthodes ensemblistes pour d’autres problématique en apprentissage
    • Approches ensemblistes pour l’apprentissage sur des données déséquilibrées
    • Approches ensemblistes pour l’apprentissage mutli-classe
    • Approches ensemblistes pour l’apprentissage multi-label
    • Approches ensemblistes pour la détection d’anomalies
    • Approches ensemblistes pour l’apprentissage non supervisé
  • Sélection de variables par les méthodes ensemblistes
  • Traitement des données manquantes par les méthodes ensemblistes
  • Applications : santé, marketing, crédit scoring, etc

 

  • Mise en pratique sur des jeux de données avec scikit-learn[1] sous Python sur des cas d’études réels.

 

  • SOM
  • CAH
  • Kmeans
  • Approche Hybride
  • DBSCAN
  • Critères de qualité de clustering
  • Évaluation du nombre de clusters
  • Interprétation du résultat de clustering
  • Arbre de décision
  • Méthodes ensemblistes : Boosting, XgBoost, Bagging, Random forest
  • SVM
  • Naive bayes
  • Perceptrons multicouches
  • Deep Learning
  • Critères de qualité en classification et en régression
  • Approches supervisées
    • Apprentissage déséquilibré
    • Approches basées sur la notion de marge
  • Approches non supervisées :
    • Approches basées sur la notion de voisinage
    • Isolation forest
    • One SVM
    • DBSCAN

Prochaines dates

1 Juillet



15 Juillet
Fermer le menu