Formation Machine Learning : Optimisez vos algorithmes

Description

Cette formation Optimisation en Machine Learning vous permettra de comprendre et de maîtriser les mathématiques et les algorithmes au cœur de l’apprentissage automatique afin d’améliorer concrètement vos modèles.

Pendant 3 jours, vous apprendrez à :

• Manipuler les outils fondamentaux en optimisation (algèbre linéaire, convexité, dérivation)
• Comprendre l’impact des fonctions de coût et des hyper-paramètres sur vos modèles
• Implémenter et comparer différents algorithmes de descente (batch, stochastique, proximal)
• Adapter la régularisation et la pénalisation à vos problématiques spécifiques
• Mettre en œuvre vos acquis sur des jeux de données réels et complexes

En fin de formation, vous appliquerez ces connaissances sur des cas réels nécessitant une adaptation de la fonction de coût ou de la régularisation.

🇺🇸 Cette formation est aussi disponible en anglais

Public

Cette formation s’adresse aux Data Scientists : 1. Voulant maîtriser les algorithmes d’optimisation en ML afin de mieux ajuster les hyper-paramètres de leurs méthodes et ainsi améliorer leurs prédictions, 2. Voulant aller au delà de ce que propose des bibliothèques comme scikit-learn pour s’adapter/mieux répondre à une problématique spécifique.

Les objectifs

• Maîtriser les fondamentaux en algèbre linéaire et en analyse différentielle (convexité, dérivation),
• Mieux connaître et utiliser les algorithmes d'optimisation pour le Machine Learning,
• Ajuster les différent hyper-paramètres de manière optimale et ainsi améliorer ses prédictions,
• Répondre à une problématique concrète qui nécessiterait une modification de la pénalisation ou de la fonction de coût

Pré-requis

• Connaissance de base en Maths,
• Connaissances de base en Python
• Connaissances de base de la librairie scikit-learn,
• Savoir utiliser jupyter,
• Ordinateur portable à apporter

Le programme de la formation Machine Learning : Optimisez vos algorithmes

Jour 1 : Fondamentaux mathématiques en optimisation et Machine Learning

• Tous les problèmes de régression et de classification sont des problèmes d'optimisation !
• Les fondamentaux
  • Algèbre linéaire
  • convexité et dérivation
• Overview
  • Méthodes classiques en optimisation convexe
  • Influence de la fonction de coût et des hyper-paramètres sur la prédiction

Mises en pratique :

• Produit matriciel, calcul de norme, manipulation de vecteur
• Reconnaître si une fonction est convexe
• Visualisation de différentes fonctions de coût

Jour 2 : Les algorithmes classiques : Bien les connaître et savoir quand les utiliser

• Trois algorithmes de descente
  • Batch
  • Stochastic et proximal gradient descent
• Comprendre dans quelle situation privilégier tel ou tel algorithme de descente
• Calibration des hyper-paramètres pour la résolution des problèmes de régression (linéaire) et classification
• Quand et pourquoi modifier la fonction de coût d'un problème de Machine Learning
• Adapter la régularisation à son problème en régression linéaire

Mises en pratique :

• Coder l'ensemble des algorithmes pour la régression linéaire simple, ridge et lasso
• Faire varier le nombre et la taille des données, le pas de la descente, etc
• Faire une comparaison des vitesses de convergence des trois algorithmes

Jour 3 : Applications et approfondissement sur des cas réels

• Mise en pratique sur un cas concret
  • Sur une application adaptée à vos problèmes ou une régression et classification sur des problèmes nécessitant des modifications du coût et des pénalisations (ex: données manquantes, aberrantes ou déséquilibrées, dictionary learning, inpainting, segmentation, ...).
• Approfondissement
  • Momentum, learning rate scheduler, local optima
  • Dérivation automatique
  • Validation croisée pour choisir les paramètres
  • Budget learning, méthode du point intérieur, méthode du simplexe

Télécharger le programme

Formations associées

• 

  Machine Learning avec scikit-learn

  3 jours
• 

  Machine Learning Avancé

  3 jours
• 

  Azure AI

  3 jours

Formateur

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.

FAQ

8 raisons de participer à une formation Human Coders

• Satisfaction client élevée : Un taux de statisfaction de 4,6/5 depuis 2012 (sur 1784 sessions réalisées). 99% des participants se disent satisfaits de nos formations
• Approche pédagogique unique : Des formations en petit groupe, des formateurs passionnés et expérimentés, de véritables workshops... (Plus d'infos sur notre manifeste)
• Catalogue de formations complet : 206 formations au catalogue, de quoi vous accompagner sur tout vos projets
• Écosystème dynamique : Nous accompagnons les dev depuis 13 ans avec des initiatives comme Human Coders News, les Human Talks, le podcast ou encore notre serveur Discord
• Financement facilité : Organisme certifié Qualiopi, indispensable pour que vous puissiez obtenir des aides au financement via votre OPCO
• Références clients prestigieuses : De nombreux clients qui nous font confiance depuis des années
• Accompagnement sur mesure : Nous vous proposons un accompagnement personnalisé par nos consultants pour vous aider dans vos projets au-delà de la formation
• Valorisation professionnelle : Remise d'un diplôme, d'une attestation et d'une certification, suivant les formations effectuées, que vous pourrez afficher sur vos CV et réseaux sociaux