• Personnes souhaitant maîtriser et se perfectionner en Python sur le volet Machine Learning : Modéliser, explorer et classifier ses données.

• Cette formation nécessite de posséder des bases de programmation en Python : importation et manipulation de données (des rappels seront effectués). Il est également nécessaire que les participant.e.s aient des connaissances de base en statistique.

A l'issue de cette formation, l'apprenant sera capable de :

• Utiliser les différents composants de l'interface Python
• Connaître les avantages et inconvénients du Machine Learning
• Mettre en place les méthodes de Machine Learning avec les outils de Scikit-learn dans un objectif de prédiction
• Construire un modèle prédictif
• Evaluer la performance d'un modèle et ses erreurs
• Optimiser un modèle

Introduction

• Présentation de Python : Historique
• Pourquoi utiliser Python ?
• Le langage de programmation
• Installation de Python
• Description de l'environnement et de l'interface de Python

Présentation du Machine Learning

• Qu'appelle-t-on Machine Learning ?
• Pourquoi faire du Machine Learning, dans quel contexte ?
• Définition des problèmes d'apprentissage : classification et régression
• Exemples de projets/problématiques de Machine Learning
• Quelles sont les méthodes de Machine Learning ?

Syntaxe du langage Python

• Conventions et règles
• Définition des blocs et des commentaires
• Les différents types de données
• Les variables
• Les différentes manipulations des types de données de base : numérique et chaîne de caractères
• Les structures conditionnelles
• Les opérateurs de comparaisons
• Les fonctions

Définition des données en Python

• Notion de variable
• Création de variables
• Les différents types de données en Python
• Qu'est-ce qu'un « type » de données ?
• Définition des types de données
• Quels sont les différents types de manipulation de données en Python ?

La bibliothèque Scikit-learn

• Présentation et outils de la bibliothèque
• Importation de la bibliothèque

Création de modèles prédictifs

• Différentes techniques d'apprentissage : Méthode des K-NN (K plus proches voisins) et arbre de décision
• Création d'un modèle d'apprentissage avec les outils de Scikit-learn

Analyse de modèles prédictifs

• Evaluation de la performance d'un modèle
• Critères de performance
• Procédure d'évaluation
• Les différents critères d'évaluation de performance d'un modèle
• Accuracy
• Matrice de confusion et de coût (classification)
• R²
• Indicateurs d'écarts : Analyse des résidus
• MSE (Erreur quadratique moyenne)
• MAPE
• Analyse des erreurs individuelles

Optimisation de modèles prédictifs

• Définition des potentiels risques liés aux modèles prédictifs : Risques de sous-apprentissage et de sur-apprentissage
• Ajustement / calibration du modèle pour éviter les risques de sous-apprentissage et de sur-apprentissage
• Amélioration de la capacité de prédiction d'un modèle : Réalisation d'un ensemble de modèles. Cas des arbres de décisions - Forêts aléatoires (Random Forest)
• Optimisation de la classification
• Procédure de validation croisée
• Evaluation et recherche des meilleurs paramètres d'un modèle

• Utiliser les différents composants de linterface Python
• Connaître les avantages et inconvénients du Machine Learning
• Mettre en place les méthodes de Machine Learning avec les outils de Scikit-learn dans un objectif de prédiction
• Construire un modèle prédictif
• Evaluer la performance dun modèle et ses erreurs
• Optimiser un modèle

• Explications théoriques suivies de pratiques guidées puis de mises en autonomie.
• Exercices autonomes et réguliers pour assurer l'assimilation

Votre formation a lieu en présentiel :

• 1 vidéoprojecteur par salle
• 1 ordinateur

Votre formation se déroule à distance avec :

• 1 ordinateur
• 1 connexion Internet
• 1 adresse e-mail valide
• 1 équipement audio (micro et enceintes ou casque)
• 1 Webcam (facultatif – dans l'idéal)
• 1 deuxième écran (facultatif – dans l'idéal)

Votre formation se déroule sur notre plate-forme de formation avec :

• 1 ordinateur
• 1 connexion Internet
• 1 adresse e-mail valide
• 1 équipement audio (micro et enceintes ou casque - facultatif)

Support stagiaire :

À l'issue de la formation, les exercices et travaux pratiques réalisés, leurs corrigés ainsi qu'un support de cours dématérialisé sera fourni à chaque stagiaire par e-mail ou via la plate-forme FOAD.