Python pour la Data Science - Machine Learning tronc commun 01 Mixte : présentiel / à distance

• Comprendre les principales tâches d'apprentissage automatique et les algorithmes associés
• Comprendre les protocoles de sélection de modèles
• Comprendre les enjeux du déploiement d'un algorithme d'Intelligence Artificielle
• Savoir utiliser la bibliothèque scikit-learn
• Savoir mettre en place une chaîne de traitement complète

1. Découverte de cas pratiques

2. Analyse descriptive et visualisation

3. Algorithmes non supervisés :

• Réduction de dimension
• Clustering
• Modélisation de densité

4. Premiers pas avec scikit-learn

5. Sélection de modèles non supervisés

6. Apprentissage supervisé

• Régression
• Classification

7. Les différentes familles de modèles : linéaires, arbres, ensembles, réseaux neuronaux

8. Les estimateurs scikit-learn

9. Les pipelines scikit-learn

10. Les stratégies de sélection de modèles et implémentation dans scikit-learn

11. Discussions

• Discussions sur la mise en production des algorithmes
• Discussions sur l'intégration des algorithmes dans une démarche d'optimisation

• Admission sans disposition particulière

• Savoir utiliser les cahiers (notebooks) Jupyter
• Connaitre Python ou avoir suivi la formation Python pour la Data Science - Le Langage Python - PY1
• Connaitre les bases de la manipulation de données en Python ou avoir suivi la formation Python pour la Data Science - Le Langage Python - PY2
• Connaître les mathématiques de base en statistiques, analyse (gradients), algèbre linéaire (matrices, vecteurs, etc.)

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux stagiaires :

• Formation en présentiel
• En groupe (inter-entreprises ou intra-entreprise)
• Formation en distanciel
• Distanciel synchrone
• Distanciel asynchrone

• Exposé théorique sur les algorithmes et exercices pratiques
• Utilisation des cahiers (notebooks) Jupyter pour rassembler supports et exercices pratiques dans un même document
• Études de cas pratiques « Fil rouge » menés de bout-en-bout de l'analyse préliminaire à la mise en production
• Equilibre théorie / pratique : 60 % / 40 %.

• Apports didactiques pour apporter des connaissances communes.
• Mises en situation de réflexion sur le thème du stage et des cas concrets.
• Méthodologie d'apprentissage attractive, interactive et participative.

• Supports de cours fournis au format papier et/ou numérique.
• Ressources documentaires en ligne et références mises à disposition par le formateur.

• Pour les formations en présentiel, les stagiaires sont accueillis dans une salle de cours équipée d'un réseau Wi-Fi, d'un tableau blanc ou paperboard. Un carnet de notes est offert. Un ordinateur avec les logiciels appropriés est mis à disposition (le cas échéant).

En amont de la formation

• Recueil des besoins des apprenants afin de disposer des informations essentielles au bon déroulé de la formation (profil, niveau, attentes particulières...).
• Auto-positionnement des apprenants afin de mesurer le niveau de départ.

Tout au long de la formation

• Évaluation continue des acquis avec des questions orales, des exercices, des QCM, des cas pratiques ou mises en situation...

A la fin de la formation

• Auto-positionnement des apprenants afin de mesurer l'acquisition des compétences.
• Evaluation par le formateur des compétences acquises par les apprenants.
• Questionnaire de satisfaction à chaud afin de recueillir la satisfaction des apprenants à l'issue de la formation.
• Questionnaire de satisfaction à froid afin d'évaluer les apports ancrés de la formation et leurs mises en application au quotidien.