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

14 Janvier



28 Janvier

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

14 Janvier



28 Janvier
Fermer le menu