Informatique Informatique
Référence formation : 5-TEC-ML - Durée : 2 jours

 
  • Objectifs
  • Pré-requis
  • Pédagogie
Comprendre comment organiser le traitement des données et structurer les processus de Machine Learning.
Posséder une culture informatique de base.

Organisation

Les sessions de formation ont lieu de 9h00 à 12h30 et de 13h30 à 17h00

Profil formateur

  • Nos formateurs sont des experts dans leurs domaines d'intervention
  • Leur expérience de terrain et leurs qualités pédagogiques constituent un gage de qualité

Moyens pédagogiques

  • Réflexion de groupe et apports théoriques du formateur.
  • Travail d'échange avec les apprenants sous forme de réunion - discussion.
  • Utilisation de cas concrets issus de l'expérience professionnelle.
  • Validation des acquis par des questionnaires, des tests d'évaluation, des mises en situation et des jeux pédagogiques.
  • Alternance entre apports théoriques et exercices pratiques (en moyenne sur 30 à 50% du temps)

Modalités d'évaluation

  • Positionnement préalable oral ou écrit.
  • Feuille de présence signée en demi-journée.
  • Evaluation des acquis tout au long de la formation.
  • Questionnaire de satisfaction
  • Attestation de stage à chaque apprenant
  • Evaluation formative tout au long de la formation.
  • Evaluation sommative faite par le formateur .

Public concerné

Salariés - Demandeur d'emploi - Reconversion professionnelle

Adaptation pédagogique et matérielle

Si vous avez besoin d'adaptation matérielle ou pédagogique, merci de prendre contact avec notre référent Handicap par téléphone au 02 35 12 25 55 ou par email à handicap@xxlformation.com

Moyens techniques en formation présentielle

Accueil des apprenants dans une salle dédiée à la formation et équipée avec :

  • Ordinateurs
  • Vidéo projecteur ou Écran TV interactif
  • Tableau blanc ou Paper-Board

Moyens techniques en formation distancielle

A l'aide d'un logiciel comme ® Microsoft Teams ou Zoom, un micro et une caméra pour l'apprenant.

  • Suivez une formation en temps réel et entièrement à distance. Lors de la session en ligne, les apprenants interagissent et communiquent entre eux et avec le formateur.
  • Les formations en distanciel sont organisées en Inter-Entreprise comme en Intra-Entreprise.
  • L'accès à l'environnement d'apprentissage (support de cours, ressources formateur, fichiers d'exercices ...) ainsi qu'aux preuves de suivi et d'assiduité (émargement, évaluation) est assuré.
  • Les participants recevront une convocation avec le lien de connexion à la session de formation.
  • Pour toute question avant et pendant le parcours, une assistance technique et pédagogique est à disposition par téléphone au 02 35 12 25 55 ou par email à commercial@xxlformation.com

Contenu pédagogique

Introduction au machine learning

  • Le Big Data et le machine learning.
  • Zoom sur les données et les requêtes, attentes, des utilisateurs
  • Les étapes de la préparation des données.
  • le data munging/wrangling
  • Le rôle du data scientist

Le Machine Learning

  • Définition, les attentes par rapport au Machine Learning
  • Les valeurs d’observation, et les variables cibles.
  • Ingénierie des variables
  • Comment choisir l'algorithme et les variables de l'algorithme.

Apprentissage automatique

  • Les algorithmes d'apprentissage supervisés, non supervisés
  • Classification des données
  • Les étapes de construction d'un modèle prédictif.
  • Détecter les valeurs aberrantes et traiter les données manquantes.
  • Algorithmes : régression linéaire, k-voisins, classification naïve bayésienne, arbres de décision, etc ..

Les risques et écueils

  • Importance de la préparation des données.
  • L’écueil du « surapprentissage ».
  • Les limites du Machine Learning

La visualisation des donnés

  • L’intérêt de la visualisation.
  • Outils disponibles,

Machine learning en production

  • Les spécificités liées au développement d'un modèle en environnement distribué.
  • Le déploiement Big Data avec Spark et la MLlib.
  • Le Cloud : Amazon, Microsoft Azure ML, IBM Bluemix...
  • La maintenance du modèle

Exemples de visualisation avec R et Python