Formation Python pour la Data Science, Machine Learning tronc commun 02 Mixte : présentiel / à distance

• Approfondir la théorie des principaux modèles utilisés en apprentissage automatique
• Implémenter des modèles dédiés
• Connaître le modèle objet de scikit-learn pour intégrer ses propres modèles

• Pratiquer les principaux algorithmes utilisés en apprentissage automatique
• Savoir utiliser scikit-learn
• Avoir suivi la formation Python pour la Data Science - Machine Learning Tronc Commun 01 ou de solides connaissances en Machine Learning
• Bonne connaissance des bases mathématiques : statistiques, analyse, algèbre linéaire

• Apprentissage non supervisé
• Les transformeurs scikit-learn
• Réduction de dimension
• Clustering
• Modélisation de densité
• Auto-encodeurs
• Implémentation des pré-traitements en scikit-learn
• Apprentissage supervisé
• Les principales tâches d'apprentissage supervisé
• Les estimateurs scikit-learn
• Les modèles linéaires
• Les méthodes à noyaux
• Les arbres de décision
• Les méthodes ensemblistes
• Les réseaux de neurones

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

• Formation en présentiel
• En groupe (inter-entreprises ou intra-entreprise)
• En individuel (monitorat)
• En journée ou en cours du soir (sur demande spécifique)
• Formation en distanciel
• Distanciel synchrone
• Distanciel asynchrone

• Alternance d'apports théoriques et de mises en pratique contextualisées.
• Progression pédagogique structurée, de la compréhension à la mise en œuvre opérationnelle.
• Pédagogie immersive favorisant une mise en application immédiate des compétences.
• Formation interactive et participative s'appuyant sur des ateliers pratiques, études de cas et échanges collectifs (+ 60 % du temps de formation.)
• Séquences pédagogiques rythmées et évaluations formatives régulières pour renforcer l'ancrage des apprentissages.
• Supports de cours, ressources documentaires et références mis à disposition par le formateur

En amont de la formation (évaluation en ligne dans l'extranet apprenant)

• Recueil des besoins et des attentes des participants.
• Auto-positionnement permettant d'évaluer le niveau initial des apprenants.

Tout au long de la formation

• Évaluations continues réalisées par le formateur travers des questions orales, exercices, QCM, études de cas et mises en situation pratiques.
  
  

À l'issue de la formation (évaluations en ligne dans l'extranet apprenant)

• Auto-positionnement afin de mesurer l'acquisition des compétences visées.
• Validation de l'acquisition des compétences par le formateur
• Questionnaire de satisfaction « à chaud » à l'issue de la formation
• Questionnaire de satisfaction "à froid", 45 jours après la formation afin d'évaluer l'ancrage des acquis et leur mise en application en situation professionnelle.

• Admission sans disposition particulière