Webinaire GRATUI :Rendez la prévision dans PRINCE2 vraiment utile.Inscrivez-vous dès maintenant sur notre page d'accueil !

Cours de certification en Machine Learning avec Python

450,00 EUR

  • 50 hours
eLearning
Classe virtuelle en direct
Apprentissage mixte

Ce cours d'apprentissage automatique avec Python offre un aperçu approfondi des sujets de ML, y compris le travail avec des données en temps réel, le développement d'algorithmes d'apprentissage supervisés et non supervisés, la régression, la classification et la modélisation de séries temporelles. Dans ce cours de formation à la certification en apprentissage automatique, vous apprendrez à utiliser Python pour faire des prédictions basées sur des données. À l'issue de ce cours d'apprentissage automatique utilisant Python, vous recevrez un certificat attestant de vos compétences en tant qu'expert en apprentissage automatique.

Caractéristiques principales

Langue

Le cours et le matériel sont en anglais

Niveau

Niveau débutant - intermédiaire pour professionnel

Plus de 35 heures d'apprentissage mixte

32 heures de cours en ligne en direct et 6 heures de contenu d'apprentissage en ligne à votre rythme

Accès d'un an

à la plateforme d'apprentissage en ligne autonome disponible 24/7 & Enregistrements des cours

Flexi Pass activé

possibilité de réserver à nouveau votre cohorte de classe virtuelle en direct en ligne dans les 90 premiers jours d'accès.

Temps d'étude

50 heures de temps d'étude recommandé au minimum

Pratiques

3 projets de fin d'études et test de simulation

Pas d'examen

Il n'y a pas d'examen pour le cours mais l'étudiant recevra une attestation de fin de formation

Hero

Aperçu

Débloquez le potentiel des données avec le cours d'apprentissage automatique en Python

  • Atteignez le succès professionnel avec notre cours complet sur l'apprentissage automatique
  • Apprenez grâce à plus de 40 heures d'apprentissage pratique et de laboratoires interactifs
  • Réalisez 4 projets pratiques pour renforcer votre compréhension
  • Obtenez du soutien de la part des mentors pendant votre processus d'apprentissage
  • Maîtriser les concepts clés du ML pour la certification
  • Acquérez les compétences nécessaires pour devenir un ingénieur en apprentissage automatique réussi

Offre Spéciale :

En plus de ce cours d'apprentissage en ligne pratique, nous vous offrons un accès gratuit à nos sessions de classe virtuelle. Vous avez 90 jours pour réserver des sessions de formation en ligne gratuites, qui ont toujours lieu à des horaires flexibles. En complément de votre e-learning et si vous le souhaitez, vous aurez l'opportunité d'interagir avec le formateur et les autres participants. Ces sessions de classe virtuelle sont également enregistrées afin que vous puissiez les sauvegarder.

Compétences :

  • Apprentissage supervisé et non supervisé
  • Régression linéaire et logistique
  • Clustering KMeans
  • Arbres de décision
  • Techniques de Boosting et de Bagging
  • Modélisation de séries temporelles
  • SVM avec noyaux
  • Naive Bayes
  • Classificateurs de forêts aléatoires
  • Fondamentaux de l'apprentissage profond

Calendrier du cours

Hero
  1. Rafraîchissement mathématique

    Cours gratuit 1

    • Probabilité et statistiques
    • Géométrie analytique
    • Algèbre linéaire
    • Valeurs propres, vecteurs propres et décomposition spectrale
    • Introduction au Calcul
  2. Statistiques essentielles pour la science des données

    Cours gratuit 2

    • Introduction à la statistique
    • Comprendre les données
    • Statistiques descriptives
    • Visualisation des données
    • Probabilité
    • Distributions de probabilité
    • Échantillonnage et techniques d'échantillonnage
    • Statistiques inférentielles
    • Application de la statistique inférentielle
    • Relation entre les variables
    • Application des statistiques dans les affaires
    • Pratique assistée
  3. Introduction

    Leçon 01

    Commencez ce programme en comprenant les sections du cours et les sujets abordés. Cela vous aidera à être prêt pour les sessions à venir.

  4. Introduction à l'apprentissage automatique

    Leçon 02

    Le cours couvre les concepts de base de l'apprentissage automatique, y compris sa définition et ses différents types. Il examine également plus en détail la chaîne de traitement de l'apprentissage automatique, les MLOps et l'AutoML, offrant des perspectives sur le déploiement de modèles d'apprentissage automatique à grande échelle. De plus, les étudiants sont initiés aux principaux paquets Python pour les tâches d'apprentissage automatique, leur permettant d'utiliser le riche écosystème de Python pour développer des solutions d'apprentissage automatique.

    Sujets :

    • Qu'est-ce que l'apprentissage automatique ?
    • Différents types d'apprentissage automatique
    • Pipeline d'apprentissage automatique, MLOps et AutoML
    • Introduction aux packages Python pour l'apprentissage automatique
  5. Apprentissage supervisé

    Leçon 03

    La section sur l'apprentissage supervisé explore ses applications pratiques dans différents domaines et est accompagnée de discussions sur sa pertinence et son importance dans des scénarios du monde réel. Les étudiants participent à des activités pratiques pour préparer et structurer les données pour les tâches d'apprentissage supervisé, suivies de discussions sur le surajustement et le sous-ajustement. De plus, des exercices pratiques sont proposés pour détecter et éviter ces problèmes, ainsi que des aperçus sur les techniques de régularisation pour optimiser la performance des modèles et réduire le surajustement.

    Sujets :

    • Apprentissage supervisé
    • Applications de l'apprentissage supervisé
    • Surajustement et sous-ajustement
    • Régularisation
  6. La régression et son application

    Leçon 04

    Ce segment explore les bases de l'analyse de régression, couvrant la définition et les différents types, y compris la régression linéaire, logistique, polynomiale, ridge et lasso. Les discussions mettent en lumière les hypothèses critiques sous-jacentes à la régression linéaire et des exercices pratiques fournissent une expérience concrète de la modélisation par régression linéaire. Les participants s'engageront également dans l'exploration de données en utilisant des techniques telles que le suréchantillonnage SMOTE et la préparation, la construction et l'évaluation de modèles de régression pour devenir compétents en analyse de régression.

    Sujets :

    • Qu'est-ce que la régression ?
    • Types de régression
    • Régression linéaire
    • Hypothèses critiques pour la régression linéaire
    • Régression logistique
    • Suréchantillonnage avec SMOTE
    • Régression polynomiale
    • Régression des crêtes
    • Régression Lasso
  7. Classification et applications

    Leçon 05

    Cette section traite des algorithmes de classification et de leurs définitions, types et applications, ainsi que du choix des paramètres de performance. Les participants sont plongés dans diverses techniques de classification, telles que le Naive Bayes, la Descente de Gradient Stochastique, les K-Plus Proches Voisins, les Arbres de Décision, la Forêt Aléatoire, Boruta et les Machines à Vecteurs de Support, à travers des discussions et des exercices guidés. Des concepts clés tels que le Kappa de Cohen sont également abordés, suivis de contrôles de connaissances pour renforcer la compréhension.

    Sujets :

    • Quels sont les algorithmes de classification ?
    • Différents types de classification
    • Types d'applications et choix des paramètres de performance
    • Naive Bayes
    • Descente de gradient stochastique
    • Populations de K-voisins
    • Arbre de décision Forêt aléatoire
    • Boruta
    • Machine à vecteurs de support
    • Le manteau de Cohen
  8. Algorithmes non supervisés

    Leçon 06

    Ce segment initie les étudiants aux algorithmes non supervisés, en couvrant leurs types, applications et paramètres de performance. Les participants s'engagent dans des activités pratiques telles que la visualisation des résultats et l'application de techniques telles que le regroupement hiérarchique, le clustering K-Means et l'algorithme K-Medoids. De plus, ils explorent des méthodes de détection d'anomalies et des techniques de réduction de dimensionnalité telles que l'Analyse en Composantes Principales (ACP), la Décomposition en Valeurs Singulières et l'Analyse en Composantes Indépendantes. Des applications pratiques de ces algorithmes sont démontrées à travers des exercices guidés, améliorant la compréhension des étudiants des concepts d'apprentissage non supervisé.

    Sujets abordés :

    • Algorithmes non supervisés
    • Différents types d'algorithmes non supervisés
    • Quand utiliser des algorithmes non supervisés ?
    • Paramètres de performance
    • Types de regroupement
    • Classification K-Means
    • Algorithme K-Medoids
    • Hors normes
    • Détection des valeurs aberrantes
    • Analyse en composantes principales
    • Analyse des correspondances et analyse multiple des correspondances (AMC)
    • Décomposition en valeurs singulières
    • Analyse en composantes indépendantes
    • Réduction itérative équilibrée et regroupement en utilisant des hiérarchies (BIRCH)
  9. Apprentissage ensembliste

    Leçon 07

    Cette section traite des algorithmes de classification et de leurs définitions, types et applications, ainsi que du choix des paramètres de performance. Les participants sont plongés dans diverses techniques de classification, telles que le Naive Bayes, la Descente de Gradient Stochastique, les K-Plus Proches Voisins, les Arbres de Décision, la Forêt Aléatoire, Boruta et les Machines à Vecteurs de Support, à travers des discussions et des exercices guidés. Des concepts clés tels que le Kappa de Cohen sont également abordés, suivis de contrôles de connaissances pour renforcer la compréhension.

    Sujets :

    • Quels sont les algorithmes de classification ?
    • Différents types de classification
    • Types d'applications et choix des paramètres de performance
    • Naive Bayes
    • Descente de gradient stochastique
    • Populations de voisins K
    • Arbre de décision Forêt aléatoire
    • Boruta
    • Machine à vecteurs de support
    • Le manteau de Cohen
  10. Systèmes de recommandation

    Leçon 08

    Ce module fournit un aperçu complet des moteurs de recommandation et explore leurs principes et mécanismes sous-jacents. Les participants sont plongés dans divers cas d'utilisation et exemples de systèmes de recommandation et acquièrent une compréhension de leur conception et mise en œuvre. À travers des exercices pratiques, les participants appliquent des techniques de filtrage collaboratif, y compris la modélisation basée sur la mémoire, le filtrage basé sur les objets et les utilisateurs, ainsi que le filtrage collaboratif basé sur les modèles. De plus, ils explorent la réduction de dimensionnalité, les méthodes de factorisation de matrices et les matrices de précision en apprentissage automatique pour évaluer et optimiser la performance des moteurs de recommandation.

    Sujets :

    • Comment fonctionnent les machines de recommandation ?
    • Cas d'utilisation des machines de recommandation
    • Exemples de systèmes de recommandation et de leur conception
    • Utiliser PyTorch pour construire un moteur de recommandation.
  11. Projets industriels

    À la fin du cours, vous réaliserez deux projets. Vous mettrez en application tout ce que vous avez appris et acquerrez de l'expérience pratique avec vos nouvelles connaissances.

    • Projet 1 : Analyse du roulement du personnel - Créer des programmes de ML pour prédire le roulement des employés, incluant des vérifications de la qualité des données, EDA, regroupement, etc., et proposer des stratégies de rétention des employés basées sur des scores de probabilité.
    • Projet 2 : Segmentation des chansons - Réaliser une analyse exploratoire des données et une analyse de clustering pour créer des cohortes de chansons.

Résultats d'apprentissage

Ce cours d'apprentissage automatique avec Python vous permettra de :

Types de ML

Explorez les différents types d'apprentissage automatique et leurs caractéristiques respectives.

Opération clé

Analysez le pipeline d'apprentissage automatique et comprenez les opérations clés impliquées dans l'apprentissage automatique (MLOps).

Apprentissage supervisé

Apprendre l'apprentissage supervisé et ses nombreuses applications.

Adaptation

Comprenez les concepts de surajustement et de sous-ajustement et utilisez des techniques pour les détecter et les prévenir.

Régression

Analysez différents modèles de régression et leur adéquation pour différents scénarios. Identifiez la linéarité entre les variables et créez des cartes de corrélation.

Algorithmes

Dressez une liste des différents types d'algorithmes de classification et comprenez leurs applications spécifiques.

Non supervisé

Maîtrisez différents types de méthodes d'apprentissage non supervisé et sachez quand les utiliser. Acquérez une compréhension approfondie des différentes techniques de regroupement dans l'apprentissage non supervisé.

Modélisation

Explorez différentes techniques de modélisation d'ensemble, telles que le bagging, le boosting et le stacking.

Comparer

Évaluer et comparer différents cadres d'apprentissage automatique, y compris TensorFlow et Keras.

PyTorch

Construire un moteur de recommandation avec PyTorch

Visualisation

Création de visualisations avec Matplotlib, Seaborn, Plotly et Bokeh.

cours d'apprentissage automatique

Qui devrait s'inscrire à ce programme ?

Un ingénieur de données éminent construit et maintient des structures de données et des architectures pour l'ingestion, le traitement et le déploiement de données pour des applications à grande échelle et intensives en données. C'est une carrière prometteuse pour les professionnels novices et expérimentés passionnés par les données, y compris :

Scientifique de données

Ingénieur en apprentissage automatique

Ingénieur en intelligence artificielle

Développeur en Intelligence d'Affaires

Ingénieur logiciel

Chercheur en intelligence artificielle

Ingénieur en traitement du langage naturel

Chef de produit IA

Commencez le cours maintenant

Éligibilité

Éligibilité

La certification en apprentissage automatique utilisant le cours Python convient bien aux participants de niveau intermédiaire, y compris les responsables de l'analytique, les analystes d'affaires, les architectes de l'information, les développeurs souhaitant devenir ingénieurs en apprentissage automatique ou scientifiques des données, et les diplômés cherchant une carrière dans la science des données et l'apprentissage automatique.

Prérequis

Les apprenants doivent posséder un diplôme de premier cycle ou un diplôme d'études secondaires. Une compréhension des statistiques de base et des mathématiques au niveau collégial. La familiarité avec la programmation Python est également bénéfique. Avant de commencer la formation de certification en apprentissage automatique Python, il faut comprendre les cours fondamentaux, y compris Python pour la science des données, les mises à niveau en mathématiques et les statistiques essentielles pour la science des données.

Questions Fréquemment Posées

Besoin d'une solution d'entreprise ou d'une intégration LMS ?

Vous n'avez pas trouvé le cours ou le programme adapté à votre entreprise ? Besoin d'une intégration LMS ? Écrivez-nous ! Nous réglerons tout !