Cette formation Machine Learning avec Python vous permettra de comprendre les bases de l’apprentissage automatique et de développer des modèles prédictifs performants avec la bibliothèque scikit-learn.

Vous apprendrez à traiter et analyser vos données, choisir les algorithmes adaptés et optimiser vos modèles pour des cas pratiques tels que la détection de fraude, les recommandations personnalisées ou encore la reconnaissance d’images.

À travers des exercices concrets, vous deviendrez capable d'intégrer des solutions prédictives dans vos projets tout en optimisant leurs performances.

Cette formation en machine learning s’adresse aux développeur·se·s, data scientists et data engineers débutant·e·s en Machine Learning.

Vous souhaitez approfondir davantage vos connaissances en Machine Learning ?

Pour approfondir le sujet et notamment apprendre à utiliser des algorithmes plus puissants à base de Gradient Boosting, jetez un coup d'œil à notre formation Machine Learning Avancé !

Les objectifs

• Comprendre les principaux concepts et enjeux du Machine Learning
• Concevoir et entraîner des modèles prédictifs adaptés à vos données d’apprentissage
• Évaluer, optimiser et améliorer les performances de modèles d'apprentissage automatique

Pré-requis

• Avoir des notions d’algorithmique/programmation
• Avoir fait des mathématiques jusqu'au Bac
• Être à l'aise avec le langage de base de Python (boucles for, conditions, types de variable, etc.)
• Ordinateur portable à apporter

Le programme de la formation Machine Learning avec Python

Jour 1 : La manipulation des données et l'exploration des données avec Python

• Découverte des principales librairies Python en sciences des données
  • Numpy
  • SciPy
  • Matplotlib
  • Pandas
• Maîtrise du calcul matriciel et de la manipulation de données
• Analyse et visualisation des données

Mises en pratique
- Familiarisation avec numpy en codant un estimateur de la moyenne et des moindres carrés
- Manipulation de données sur "Bike sharing" ou/et "Titanic"
- Visualisation avec Matplotib et seaborn (plot, boxplot, barplot, histogram, ...)

Jour 2 : Introduction au Machine Learning

• Les différents types d'apprentissage et leurs principaux algorithmes
• Entraînement de vos premiers modèles de Machine Learning avec scikit-learn
• Évaluation et amélioration des modèles

Mises en pratique
- Utilisation de scikit-learn pour régression / classification / clustering
- Évaluation des différents modèles en utilisant les outils de scikit-learn
- Utilisation des pipelines pour automatiser les étapes
- Cas pratique sur une "vraie base de données" style Titanic ou Bike Sharing

Jour 3 : Amélioration des performances et résolutions de problèmes ML

• Optimisation des performances de vos modèles d'apprentissage
• Déploiement des modèles pour l'inférence
• Frameworks pour résoudre un problème de Machine Learning

Mise en pratique
- Techniques de réduction de dimension pour visualisation

Le(s) formateur(s)

Etienne SANCHEZ

Data scientist depuis 8 ans, Etienne travaille principalement avec les langages R et python. Il délivre son expertise à des clients variés, allant de la PME au grand groupe.

Auparavant professeur dans le secondaire, il a gardé un goût certain pour l'enseignement, et donne régulièrement des formations en école et en entreprise.

Voir son profil détaillé

Titouan ROBERT

Titouan Robert travaille depuis 7 ans dans une entreprise de conseil. Il construit des projets de modélisation depuis 5 ans. Il a notamment participé à la modélisation des échanges d’énergies entre pays européen grâce à l’utilisation des réseaux de neurones, ou encore créé des modélisations de production éoliennes ou pour des appels en call centers.

Il est actif dans la communauté R, et donne des formations de Machine Learning en plus de son activité professionnelle. Ses langages de prédilections sont R et python.
Ce qu'il aime dans le fait d'être formateur, c'est d'aider des élèves à progresser. Ses formations sont très orientées sur la pratique afin de permettre à chacun de progresser en faisant !

Enfin, il a travaillé dans la recommandation de contenu personnalisé à l'utilisateur.

Voir son profil détaillé

Pierre HUMBERT

Après une thèse en mathématiques, Pierre est aujourd’hui chercheur à l'INRIA en Machine Learning.
En parallèle de son activité de recherche, il contribue à des projets plus appliqués notamment grâce à plusieurs partenariats dans le domaine médical.

C'est son envie de transmettre qui l'a naturellement poussé à devenir formateur en Machine Learning.

Voir son profil détaillé

A propos de Human Coders

Human Coders c'est un centre de formation pour développeurs avec :

• une certification Qualiopi, indispensable pour que vous puissiez obtenir des aides au financement via votre OPCO
• de nombreux clients qui nous font confiance depuis des années
• un manifeste pour garantir des formations à taille humaine, des formateurs passionnés, de véritables workshops...
• 129 formations au catalogue, 1616 sessions depuis nos débuts en 2012 avec une moyenne de satisfaction de 4,6/5
• la possibilité de vous proposer un accompagnement personnalisé ou du conseil après la formation