Formation Machine Learning

Notée : (135)

Intégrez de l’Intelligence Artificielle dans vos applications grâce aux techniques de Machine Learning

Prix (Formation inter-entreprise)

2400€ HT / personne

Durée

3 jours

Dates

Nous pouvons organiser des sessions à d'autres dates ou dans d'autres villes (Bordeaux, Lille, Lyon, Marseille, Montpellier, Nantes, Nice, Paris, Strasbourg, Toulouse...)

Cette formation vous permettra d’acquérir les bases du Machine Learning (apprentissage automatique à partir de données). A la fin des 3 jours, vous saurez créer des modèles prédictifs, les évaluer, et les optimiser. Vous apprendrez également comment les "packager" et les utiliser en production grâce aux APIs. Tout au long de la formation, vous mettrez en pratique la théorie sur des problématiques de difficulté croissante, en utilisant la plateforme automatisée BigML et la librairie Python scikit-learn (plus bas niveau, mais open source et permettant plus de contrôle). Vous créerez notamment un modèle de prix immobilier, et une API de détection de faux avis pour plateformes hôtelières en ligne.

La formation est principalement destinée aux développeurs et ingénieurs informaticiens débutants en Machine Learning, qui souhaitent rendre leurs applications plus intelligentes grâce à l’apprentissage à partir de données structurées, ou de données texte. (Si votre priorité est de développer des applications perceptives — qui “comprennent” l’image ou le son, par exemple — ou qui traitent de très gros volumes de données, ou si vous êtes déjà à l'aise avec les sujets abordés ici, notre formation Deep Learning est faite pour vous.)

Enfin, elle sera également d’intérêt aux managers techniques souhaitant comprendre les enjeux, possibilités et limites du ML, et aux statisticiens souhaitant mettre en pratique les ensembles d’arbres de décision avec les outils Python. Elle permettra aux sociétés qui souhaitent valoriser leurs données d’envisager comment tirer profit du ML, en l'intégrant dans des applications métier et des prises de décision.

Livre “Bootstrapping Machine Learning” inclus (en anglais)

Les participants à la formation recevront le livre Bootstrapping Machine Learning ainsi que sa version électronique en formats PDF, ePub et Mobi. Ils auront l’occasion, s’ils le souhaitent, de lire le livre avant le début de la formation.

Les objectifs

  • Comprendre les possibilités et limites du ML
  • Construire des modèles prédictifs à partir de données d’apprentissage, basés sur arbres de décision et ensembles d'arbres
  • Interpréter les modèles, analyser leurs comportements, erreurs, performance et impact, pour ensuite les optimiser
  • Transformer les variables de type texte en représentations numériques pertinentes pour le ML
  • Déployer les modèles en production à l’aide d’APIs

Pré-requis

  • Bonne compréhension de l'anglais écrit (la formation est en français mais les slides, notebooks, code et autres ressources sont en anglais).
  • Connaissances en programmation et de la syntaxe basique du langage Python. Des exemples de code sont fournis tout au long de la formation; les exercices peuvent être réalisés en combinant et en adaptant les briques de code fournies. Consulter Learn Python de Codeacademy et Introduction to Python programming de Robert Johansson (en particulier les sections Python program files, Modules, Assignment, Fundamental Types, Control Flow et Functions) pour apprendre ou réviser les bases de Python.
  • Utilisation basique d’un tableur (ex: Microsoft Excel).
  • Connaissances basiques d’algèbre, de calcul et de statistique appréciables pour une meilleure compréhension de certains modules théoriques.
  • Ordinateur portable à apporter.

Le programme de la formation Machine Learning

Jour 1

Présentation du ML et de ses possibilités

  • Concepts de base
  • Formalisation des problèmes d’apprentissage supervisé: classification et régression
  • Exemples d’utilisation: applications web, mobile, et Data Science en entreprise

Création de modèles prédictifs

  • Intuitions derrière les techniques d’apprentissage des plus proches voisins (nearest neighbors) et arbres de décision (decision trees)
  • Révision des bases de Python; configuration et utilisation de notebooks Jupyter
  • Apprentissage de modèles avec la librairie open source scikit-learn et avec l'outil de ML-as-a-Service BigML sur des datasets de classification et de régression
  • Visualisation et interprétation

Jour 2

Evaluation des modèles prédictifs

  • Critères de performance et procédure d’évaluation
  • Mesures agrégées de performance des modèles prédictifs: accuracy, precision, recall, matrices de confusion et de coût (classification), MSE, R-squared, MAPE (regression)
  • Mise en pratique avec Python, scikit-learn et BigML sur les datasets précédents
  • Procédure d’examination d’erreurs individuelles

Optimisation des modèles

  • Ajuster la complexité d’un modèle pour éviter le sous-apprentissage / sur-apprentissage
  • Comment augmenter l’exactitude des prédictions grâce aux ensembles de modèles; application aux arbres de décision: random forests
  • Optimisation de la classification via adaptation du seuil de probabilité, et compromis entre mesures concurrentes
  • Procédure de validation et de cross-validation pour benchmarker les modèles
  • Procédure de grid-search pour sélectionner les meilleurs paramètres

Jour 3

Utilisation du ML sur du texte — Natural Language Processing

  • Pré-traitement des données textuelles avec la librairie NLTK
  • Techniques d'extraction de features numériques: sac de mots et n-grams
  • Création d'un modèle de détection de faux avis pour plateformes hôtelières en ligne

Déploiement

  • Démonstration de l’utilisation d’APIs REST pour l’utilisation du ML en production
  • Déploiement d'une API pour nos propres modèles, avec la librairie Flask
  • Utilisation de l'API via curl, Postman, et dans un tableur (remplissage de valeurs manquantes)

Conclusion

  • Récapitulatif des points clé de la formation
  • Autres techniques de ML (selon le temps disponible)
    • Initiation aux réseaux de neurones avec le deep learning automatisé sur BigML
    • Apprentissage non supervisé: clustering et détection d’anomalies
    • Prédiction de séries temporelles, via réduction à un problème de régression
    • Systèmes de recommandation, via réduction à un problème de classification
  • Ressources pour aller plus loin et suggestions personnalisées

Télécharger le programme

13 témoignages

Formateur compétent, pédagogue, passionné et très agréable. Un vrai plaisir d'apprendre durant ces trois jours avec Christophe.

Jocelyn BATTON
Valtech

Excellente formation de Christophe permettant de démystifier le Machine Learning. Très bonne ambiance en petit comité, ce qui permet de poser toutes les questions afin de bien comprendre.

Frédéric POUILLERIE
Vadesecure

Très bonne formation pour démystifier les solutions et la mise en oeuvre du Machine Learning.

Sylvain Centelles
Intel

Très dynamique, formation très instructive, complète et pratique. A découvrir absolument.

Antoine HONORE
Vadesecure

La formation de Christophe fut dynamique, professionnelle et très pédagogique.

Anthony FOURNIER
Vadesecure

Formation très conviviale et interactive en petit comité.

Jean-François Artaud
CEA

Très bonne formation au machine learning : le concept, les limites, comment l'appliquer en pratique... tout ça dans un cadre convivial.

Olivier DUPRAT
FNAC

Super formation, très pédagogique avec une bonne ambiance.

Arnaud FELTEN
ANSES - Agence Nationale de Sécurité Sanitaire

Très bonne formation ! Indispensable pour une bonne appréhension du Machine Learning.

Cédric CHARBONNIER
GFC Atlantic

Cette formation permet de mettre les deux pieds dans le domaine du Machine Learning qui est en plein essort. Elle permet de bien voir les outils et solutions initiales à notre disposition pour répondre à de nombreuses problématiques.

Grégory Livon
Intel

Louis est un excellent pédagogue et on ressent qu'il connait et qu'il apprécie son domaine. Formation à recommander de toute urgence !

Charles Emmanuel CAMUS
Groupe Express

Super moment passé avec Louis Dorard, qui transmet vraiment sa passion du machine learning au travers de cette formation. Beaucoup de temps passé à creuser les sujets à la volée dans des discussions impromptues, ce qui était vraiment appréciable

Sylvain Bourdos
Intel

Bien que déjà familier avec le domaine ML, cette formation m'a fait réviser de manière très intéressante et interactive les concepts de base du ML. Bon rythme et bonne pédagogie.

Jean-Michel PAPY

Besoin d'aide ?

Vous souhaitez discuter avec nous à propos de votre projet de formation ?
Vous voulez plus d'information sur une formation ou notre fonctionnement ?


Rappel Email

Nos forces

  • Des formations à taille humaine
  • Des formateurs passionnés
  • Des véritables workshop
Accéder au Manifeste

Nos clients

INRIA
Alcatel
Intel
Orange
EADS
Atos

Nos formations en images

Sass et Compass
CasperJS
Ruby on Rails
Ruby

Formation Machine Learning

Notée : (135)

Intégrez de l’Intelligence Artificielle dans vos applications grâce aux techniques de Machine Learning

Cette formation vous permettra d’acquérir les bases du Machine Learning (apprentissage automatique à partir de données). A la fin des 3 jours, vous saurez créer des modèles prédictifs, les évaluer, et les optimiser. Vous apprendrez également comment les "packager" et les utiliser en production grâce aux APIs. Tout au long de la formation, vous mettrez en pratique la théorie sur des problématiques de difficulté croissante, en utilisant la plateforme automatisée BigML et la librairie Python scikit-learn (plus bas niveau, mais open source et permettant plus de contrôle). Vous créerez notamment un modèle de prix immobilier, et une API de détection de faux avis pour plateformes hôtelières en ligne.

La formation est principalement destinée aux développeurs et ingénieurs informaticiens débutants en Machine Learning, qui souhaitent rendre leurs applications plus intelligentes grâce à l’apprentissage à partir de données structurées, ou de données texte. (Si votre priorité est de développer des applications perceptives — qui “comprennent” l’image ou le son, par exemple — ou qui traitent de très gros volumes de données, ou si vous êtes déjà à l'aise avec les sujets abordés ici, notre formation Deep Learning est faite pour vous.)

Enfin, elle sera également d’intérêt aux managers techniques souhaitant comprendre les enjeux, possibilités et limites du ML, et aux statisticiens souhaitant mettre en pratique les ensembles d’arbres de décision avec les outils Python. Elle permettra aux sociétés qui souhaitent valoriser leurs données d’envisager comment tirer profit du ML, en l'intégrant dans des applications métier et des prises de décision.

Livre “Bootstrapping Machine Learning” inclus (en anglais)

Les participants à la formation recevront le livre Bootstrapping Machine Learning ainsi que sa version électronique en formats PDF, ePub et Mobi. Ils auront l’occasion, s’ils le souhaitent, de lire le livre avant le début de la formation.

Les objectifs

  • Comprendre les possibilités et limites du ML
  • Construire des modèles prédictifs à partir de données d’apprentissage, basés sur arbres de décision et ensembles d'arbres
  • Interpréter les modèles, analyser leurs comportements, erreurs, performance et impact, pour ensuite les optimiser
  • Transformer les variables de type texte en représentations numériques pertinentes pour le ML
  • Déployer les modèles en production à l’aide d’APIs

Pré-requis

  • Bonne compréhension de l'anglais écrit (la formation est en français mais les slides, notebooks, code et autres ressources sont en anglais).
  • Connaissances en programmation et de la syntaxe basique du langage Python. Des exemples de code sont fournis tout au long de la formation; les exercices peuvent être réalisés en combinant et en adaptant les briques de code fournies. Consulter Learn Python de Codeacademy et Introduction to Python programming de Robert Johansson (en particulier les sections Python program files, Modules, Assignment, Fundamental Types, Control Flow et Functions) pour apprendre ou réviser les bases de Python.
  • Utilisation basique d’un tableur (ex: Microsoft Excel).
  • Connaissances basiques d’algèbre, de calcul et de statistique appréciables pour une meilleure compréhension de certains modules théoriques.
  • Ordinateur portable à apporter.

Le programme de la formation Machine Learning

Jour 1

Présentation du ML et de ses possibilités

  • Concepts de base
  • Formalisation des problèmes d’apprentissage supervisé: classification et régression
  • Exemples d’utilisation: applications web, mobile, et Data Science en entreprise

Création de modèles prédictifs

  • Intuitions derrière les techniques d’apprentissage des plus proches voisins (nearest neighbors) et arbres de décision (decision trees)
  • Révision des bases de Python; configuration et utilisation de notebooks Jupyter
  • Apprentissage de modèles avec la librairie open source scikit-learn et avec l'outil de ML-as-a-Service BigML sur des datasets de classification et de régression
  • Visualisation et interprétation

Jour 2

Evaluation des modèles prédictifs

  • Critères de performance et procédure d’évaluation
  • Mesures agrégées de performance des modèles prédictifs: accuracy, precision, recall, matrices de confusion et de coût (classification), MSE, R-squared, MAPE (regression)
  • Mise en pratique avec Python, scikit-learn et BigML sur les datasets précédents
  • Procédure d’examination d’erreurs individuelles

Optimisation des modèles

  • Ajuster la complexité d’un modèle pour éviter le sous-apprentissage / sur-apprentissage
  • Comment augmenter l’exactitude des prédictions grâce aux ensembles de modèles; application aux arbres de décision: random forests
  • Optimisation de la classification via adaptation du seuil de probabilité, et compromis entre mesures concurrentes
  • Procédure de validation et de cross-validation pour benchmarker les modèles
  • Procédure de grid-search pour sélectionner les meilleurs paramètres

Jour 3

Utilisation du ML sur du texte — Natural Language Processing

  • Pré-traitement des données textuelles avec la librairie NLTK
  • Techniques d'extraction de features numériques: sac de mots et n-grams
  • Création d'un modèle de détection de faux avis pour plateformes hôtelières en ligne

Déploiement

  • Démonstration de l’utilisation d’APIs REST pour l’utilisation du ML en production
  • Déploiement d'une API pour nos propres modèles, avec la librairie Flask
  • Utilisation de l'API via curl, Postman, et dans un tableur (remplissage de valeurs manquantes)

Conclusion

  • Récapitulatif des points clé de la formation
  • Autres techniques de ML (selon le temps disponible)
    • Initiation aux réseaux de neurones avec le deep learning automatisé sur BigML
    • Apprentissage non supervisé: clustering et détection d’anomalies
    • Prédiction de séries temporelles, via réduction à un problème de régression
    • Systèmes de recommandation, via réduction à un problème de classification
  • Ressources pour aller plus loin et suggestions personnalisées

Télécharger le programme

Le(s) formateur(s)

Louis Dorard

Louis Dorard

Louis Dorard est l’auteur du livre Bootstrapping Machine Learning, du Machine Learning Canvas, General Chair des conférences internationales PAPIs.io, et Adjunct Teaching Fellow à UCL School of Management où il enseigne Predictive Analytics. Dans le cadre de son activité de consultant indépendant, il accompagne grandes entreprises et startups dans l’intégration du ML dans leurs produits. Par le passé, il a “bootstrappé” plusieurs technologies innovantes en tant que Directeur R&D chez Concept Immo Global. Louis est titulaire d’un PhD en Machine Learning de University College London, domaine dans lequel il travaille depuis plus de 10 ans.

Voir son profil détaillé

Christophe Labrousse

Christophe Labrousse

Christophe est ingénieur en informatique et en mathématiques appliquées. Après avoir été diplômé de l'Ensimag en 2006, il a été consultant, fondateur de startup, responsable de système d'information, développeur freelance, et a notamment développé des applications de finance personnelle et de Business Intelligence. Au travers de ces expériences, il a pu acquérir une forte culture "data" et a toujours recherché la meilleure technologie pour exploiter la valeur des données.

Christophe met en oeuvre des solutions basées sur le machine learning avec Python, scikit-learn, et diverses plateformes cloud. Formateur passionné et pédagogue, il aime enseigner à des profils variés la puissance de ces techniques quand elles sont mises en oeuvre sur les bons jeux de données. Il est également expérimenté en technologies de bases de données SQL, de traitement de données (Pandas), et web (Django, Selenium).

Voir son profil détaillé

Suivi de formation en option

A l'issue de la formation, nos formateurs peuvent aussi intervenir pour vous accompagner dans la mise en application des compétences acquises :

  • en répondant à vos questions lors de rendez-vous téléphoniques réguliers
  • en étant présents physiquement à l'amorce du projet
  • en réalisant un audit de vos pratiques quelques semaines/mois après la formation
Cette idée vous intéresse ? Faîtes-le nous savoir pour que nous trouvions la formule adaptée à votre situation.

13 témoignages

Formateur compétent, pédagogue, passionné et très agréable. Un vrai plaisir d'apprendre durant ces trois jours avec Christophe.


Valtech

Excellente formation de Christophe permettant de démystifier le Machine Learning. Très bonne ambiance en petit comité, ce qui permet de poser toutes les questions afin de bien comprendre.


Vadesecure

Très bonne formation pour démystifier les solutions et la mise en oeuvre du Machine Learning.


Intel

Très dynamique, formation très instructive, complète et pratique. A découvrir absolument.


Vadesecure

La formation de Christophe fut dynamique, professionnelle et très pédagogique.


Vadesecure

Formation très conviviale et interactive en petit comité.


CEA

Très bonne formation au machine learning : le concept, les limites, comment l'appliquer en pratique... tout ça dans un cadre convivial.


FNAC

Super formation, très pédagogique avec une bonne ambiance.


ANSES - Agence Nationale de Sécurité Sanitaire

Très bonne formation ! Indispensable pour une bonne appréhension du Machine Learning.


GFC Atlantic

Cette formation permet de mettre les deux pieds dans le domaine du Machine Learning qui est en plein essort. Elle permet de bien voir les outils et solutions initiales à notre disposition pour répondre à de nombreuses problématiques.


Intel

Louis est un excellent pédagogue et on ressent qu'il connait et qu'il apprécie son domaine. Formation à recommander de toute urgence !


Groupe Express

Super moment passé avec Louis Dorard, qui transmet vraiment sa passion du machine learning au travers de cette formation. Beaucoup de temps passé à creuser les sujets à la volée dans des discussions impromptues, ce qui était vraiment appréciable


Intel

Bien que déjà familier avec le domaine ML, cette formation m'a fait réviser de manière très intéressante et interactive les concepts de base du ML. Bon rythme et bonne pédagogie.