Cette formation Machine Learning Avancé a pour but de vous apprendre à choisir des modèles adaptés à vos projets Machine Learning, puis à les optimiser. Elle vous permettra aussi de comprendre comment construire un modèle dans un contexte métier et d’évaluer sa performance.

La formation est destinée à des développeur·ses, chercheur·ses, Data Scientists, ou ingénieur·es ayant une expérience en Machine Learning, qui souhaitent approfondir leurs connaissances et compétences sur le sujet.

Durant ces 3 jours de formation, vous verrez dans un premier temps un panel d'algorithmes largement utilisés, tels que des classifications ou des régressions. Vous verrez une approche d'optimisation par choix de l'algorithme, avec l'utilisation des plus puissants d'entre eux mais aussi une optimisation par construction de variables, très important dans les problématiques ML.

A l'issue de cette formation Machine Learning Avancé, vous serez à l'aise pour mettre en place et optimiser des modèles de Machine Learning adaptés à votre problématique. Vous aurez aussi la possibilité de répondre à une problématique métier avec un choix de variable judicieux et tenant compte de contraintes projets.

Si vous débutez en Machine Learning, jetez un oeil à la formation Machine Learning.

Covid-19: Nous restons ouverts. Cette formation est disponible à distance.
🇺🇸 This training is also available in English

Les objectifs

• Savoir choisir l'algorithme adapté à une problématique donnée
• Apprendre à préparer et modéliser les données
• Choisir des variables dans un contexte contraint, évaluer la performance d’un modèle dans le temps
• Savoir optimiser un algorithme de Machine Learning

Pré-requis

• Expérience en Python et avec la librairie scikit-learn
• Avoir des connaissances en Machine Learning ou avoir suivi la formation Machine Learning avec Python
• Ordinateur portable à apporter

Le programme de la formation Machine Learning Avancé

Jour 1 : Rappels des principaux concepts du Machine Learning et de différents modèles

Rappels généraux classification et régression

• X et Y
• La notion de score
• Quid de l'apprentissage et du sur apprentissage
• Un modèle en entreprise
• Outils en python

Modèles simples

• Régression linéaire
• Régression linéaire multiple
• Régression logistique

Mises en pratique :
- Prise en main d’un jeu de données,
- Importation et modélisation avec Python,
- Mise en pratique avec sikit-learn,
- Création d’un modèle de classification et de régression.

Jour 2 : La création et le choix de variables, le plus important en modélisation !

• L’étude de la corrélation, objectif.
• Le cas des prévisions temporelles, contraintes et astuces.
• Validation du modèle et évaluation de sa précision dans le temps.
• Étude d’un effet non linéaire, les solutions avec les algorithmes de régression classiques.

Mises en pratique avec différents problèmes :
- Régression, classification et données temporelles,
- Evaluation de performance dans le temps,
- Construction de variables.

Jour 3 : Modèles complexes

Exploration de modèles plus complexes

• La random forest
• xgboost

Mises en pratique :
- Optimisation du score avec des algorithmes de machine learning complexes,
- Travaux sur les hyperparamètres,
- Participation à une compétition en ligne !

Le(s) formateur(s)

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 !

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...
• 84 formations au catalogue, 1244 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