Machine learning - avancé

Rechercher une formation

Source : Carif Ile-de-France

Fiche originale

Partager sur :

Objectifs, programme, validation de la formation

Objectifs

Savoir choisir l’algorithme adapté à une problématique donnée
Apprendre à préparer et modéliser les données
Savoir optimiser un algorithme de Machine Learning

Description, programmation

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

Introduction au Machine Learning
Classification : objectifs et modèles
Régression : objectifs et modèles
Mise en pratique des différents concepts vus au long de la journée

Jour 2 : Optimisation des modèles et amélioration des résultats

Préparation du jeu de données en vue de concevoir un modèle de prédiction
Optimisation des hyperparamètres d’un modèle
Régularisation des modèles et compréhension du compromis biais-variance
Mise en pratique des différents concepts vus au long de la journée

Jour 3 : Découverte des puissants algorithmes de boosting

Les différents modèles à base de Gradient Boosting
Résumé des différentes notions abordées au travers d’un projet Kaggle sur une demi-journée
Mise en pratique des différents concepts vus au long de la journée

Validation et sanction

Attestation d’acquis ou de compétences ;Attestation de suivi de présence

Type de formation

Perfectionnement, élargissement des compétences

Niveau de sortie sans niveau spécifique

Durée, rythme, financement

Durée 21 heures en centre
Durée indicative : 2 jours

Modalités de l'alternance Cours du jour : 21 h

Conventionnement Non

Conditions d'accès

Modalités de recrutement et d'admission Entretien

Niveau d'entrée sans niveau spécifique

Conditions spécifiques et prérequis - 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