Machine Learning en Python : créer vos premiers modèles prédictifs
Apprenez sur des cas concrets à créer, optimiser, et déployer des modèles prédictifs de Machine Learning en utilisant Python et la librairie scikit-learn.
Dates à la demande, en individuel ou en petit groupe. · Formation exonérée de TVA.
Je m’inscris Demander un devisDans vos locaux ou à distance, aux dates de votre choix, programme adapté à vos outils. Prise en charge possible par votre OPCO.
Demander un devis intraCette formation se finance par votre employeur (plan de développement des compétences, OPCO) ou par France Travail. Nous vous guidons.
Étudier mon financementCe que vous saurez faire
- Comprendre les Concepts Fondamentaux du Machine Learning et Formuler un Problème : Saisir les principes de base, les différents types d'apprentissage et savoir traduire un problème métier en un problème de Machine Learning.
- Maîtriser l'Écosystème Python pour le Machine Learning : Savoir utiliser Jupyter Notebook et les bibliothèques clés (Numpy, Pandas, Scikit-learn) pour manipuler des données et implémenter des algorithmes.
- Implémenter et Comprendre Plusieurs Algorithmes de Base : Être capable de mettre en œuvre et d'expliquer le fonctionnement de modèles comme la régression linéaire/logistique, KNN, les arbres de décision et les Random Forests.
- Évaluer la Performance des Modèles et Appliquer des Techniques de Validation : Savoir choisir les bonnes métriques, utiliser le train-test split, la cross-validation et comprendre l'optimisation des hyperparamètres.
- Effectuer les Étapes Essentielles de Préparation des Données : Savoir traiter les données manquantes/aberrantes, normaliser/standardiser les features et préparer les données pour l'entraînement des modèles.
- Comprendre le Workflow d'un Projet ML et les Pièges Courants : Connaître les étapes d'un projet, de la préparation des données à l'évaluation, et être conscient des risques comme le surapprentissage.
- Acquérir une Vue d'Ensemble des Autres Catégories d'Algorithmes et des Concepts de Déploiement : Avoir une introduction au boosting, clustering, réseaux de neurones, et aux principes de mise en production et de traitement de données spécifiques (texte, séries temporelles).
Programme détaillé
Public visé & prérequis
Public :
- Développeur, data engineer, data analyst, data scientist, chercheur, ingénieur R&D, chef de projet technique, statisticien, et toute personne travaillant dans la data et sachant manipuler du code informatique
Prérequis :
- Connaitre un langage de programmation, idéalement python
- Un test de positionnement sera réalisé au préalable pour vérifier si vous disposez des compétences nécessaires pour suivre la formation.
Objectifs pédagogiques
- Comprendre l'apport du Machine Learning et ses limites
- Maîtriser les principaux algorithmes
- Savoir créer et optimiser un modèle prédictif en python
- Mesurer la qualité des modèles et les performances attendues en production
- Connaître le workflow global du projet
- Savoir mettre en oeuvre les bonnes pratiques pour éviter les écueils de ce type de projet
- Pouvoir déployer un modèle, le superviser et le mettre à jour en production
- Comprendre comment appliquer le Machine Learning sur des données structurées, sur du texte, et sur des séries temporelles
Programme
JOUR 1
- Introduction au Machine Learning :
- Principe général et concepts basiques
- Exemples de cas d'usage dans différents secteurs : industrie, marketing, IoT, web, énergie…
- Cadre d'utilisation : possibilités et limitations
- Bien formuler la problématique : comment passer d'un problème métier à un problème Machine Learning
- Ecosystème Python :
- Python scientifique : numpy, pandas, matplotlib, scipy
- La lirairie Scikit-learn
- Notebook Jupyter, Anaconda
- Algorithmes de Machine Learning, première partie : les bases
- Régression linéaire et régression logistique
- K plus proches voisins : KNN
- Arbres de décision et Random Forests
JOUR 2
- Critères d'évaluation :
- Régression : MAE, MSE, RMSLE, R²…
- Classification : accuracy, precision, recall, F1 score…
- Procédures d'évaluation : train-test split, cross-validation, validation set
- Optimisation des hyper-paramètres :
- Gridsearch, randomsearch
- Soft optimisation et hard optimisation
- Méthodologie et bonnes pratiques :
- Déroulé d'un projet de data science : une procédure itérative
- Workflow complet du projet
- Pipeline de transformation
- Ecueils à éviter et comment s'en prémunir : surrapprentissage (overfitting) et fuite de données (data leakage)
JOUR 3
- Data prepration et feature extraction :
- Traitement des données aberrantes et manquantes
- Normalisation et standardisation
- Combinaison de features
- Mise en production :
- Déployer un modèle en production via une API
- Monitoring des modèles
- Mise à jour des modèles
- Algorithmes de Machine Learning, deuxième partie : les autres catégories
- Boosting et gradient boosting
- Clustering
- Détection d'anomalie
- Réseaux de neurones et Deep Learning
- Adapter selon le type de données :
- Comment traiter du texte
- Comment traiter des séries temporelles
Méthodes et moyens pédagogiques
Cette formation alterne contenu théorique et mise en pratique. Elle vous permettra de comprendre en profondeur le Machine Learning : ses enjeux et ses limites, comment concevoir un use case, quels sont les principaux algorithmes et comment les utiliser, les optimiser, et évaluer la qualité des modèles prédictifs obtenus.
Vous mettrez les notions apprises en pratique sur des cas concrets réels, et maîtriserez les bonnes pratiques du domaine, les écueils à éviter absolument, le cycle de développement et de déploiement, ainsi que la supervision du modèle en production.
L'objectif est de vous donner toutes les bases nécessaires pour que vous puissiez à l'issue de la formation faire votre propre projet de Machine Learning, depuis la récupération des données jusqu'à l'exploitation de votre modèle. Vous comprendrez comment appliquer ces techniques sur des données structurées, du texte, ainsi que des séries temporelles.
- Exercices concrets
- Cas pratiques
- Quiz d'évaluation des connaissances
Modalités d’évaluation
- Positionnement en amont de la formation :
- Un quiz de consolidation des pré-requis sera administré en amont de la formation
- Suivi « pendant » :
- Feuilles de présence
- Exercices pratiques
- Évaluation « fin de formation »
- Évaluation des acquis en fin de formation
- Formulaires d'évaluation de la formation
- Évaluation à froid :
- Suivi post-formation : Questionnaire de satisfaction à j+60
Accessibilité et délais d’accès
Délais d'accès à la formation
Le délai d'accès à la formation est variable en fonction du dispositif de financement utilisé, du planning des formateurs et des contraintes du client. Pour les formations inter-entreprises, vous pouvez consulter notre calendrier en ligne ou prendre contact avec nous. Nous traitons vos demandes sous 48 heures
Accessibilité
Si vous êtes en situation de handicap, merci de nous en informer afin de vous accompagner, vous orienter, et étudier les compensations nécessaires pour répondre au mieux à votre demande de formation. Certaines formations peuvent nécessiter une adaptation pour les personnes en fonction de leur handicap. Nous restons disponibles pour échanger ensemble et nous pourrons vous orienter vers un de nos partenaires : Agefiph, Cap Emploi
Votre inscription
De la recherche à la formation, en 4 étapes
Testez votre niveau
Un test de positionnement gratuit pour entrer au bon niveau de formation. Faire le test →
Choisissez votre session
Dates et format (présentiel, distanciel, intra) adaptés à votre besoin.
Vérifiez votre financement
CPF, OPCO, France Travail : nous vous guidons.
Inscrivez-vous et formez-vous
Convocation, formation, évaluation et certification.
Devis · inscription · financement
Une question sur « Machine Learning en Python : créer vos premiers modèles prédictifs » ?
Un conseiller vous répond sous 48 h ouvrées : dates, format, devis et financement (CPF, OPCO, France Travail).