Formation Machine Learning avec scikit-learn

Connaissance de python et d'une bibliothèque de calcul telle que numpy ou pandas

Chefs de projet, data-scientists, souhaitant comprendre le fonctionnement de scikit-learn

Mettre en oeuvre scikit-learn pour de l'apprentissage machine et l'analyse de données

6 à 12 personnes maximum par cours, 1 poste de travail par stagiaire
Remise d’une documentation pédagogique papier ou numérique pendant le stage
La formation est constituée d’apports théoriques, d’exercices pratiques et de réflexions

Consultant-Formateur expert Bigdata

Chargement de données
Pré-traitement de données : standardisation, transformations non linéaires, discrétisation
Génération de données

Modèles : linéaires, quadratiques, descente de gradient
Algorithmes, choix d’un estimateur
Classification : k-voisins, régression logistique, classification naïve bayésienne, arbres de décision, forêts aléatoires, SVC
Régression : régression linéaire, lasso, SGDr, SVR
Détection de groupes : k-moyennes, Spectral Clustering/GMM
Analyse globale : Randomized PCA, kernel approximation
Exemple de Travaux Pratiques : classification automatique d’un jeu de données à partir d’une régression logistique
Création de jeux d’essai, entraînement et construction de modèles
Prévisions à partir de données réelles. Mesure de l’efficacité des algorithmes. Courbes ROC
Parallélisation des algorithmes. Choix automatique
Exemple de Travaux Pratiques : mise en évidence des erreurs d’apprentissage en fonction des hyper-paramètres
Recherche de clusters : modélisations, algorithmes, et méthodes d’évaluation
Réseaux de neurones