Accueil > Formations > Data Science – Deep learning > DEEP LEARNING Data Classification et Machine Learning
Formation DEEP LEARNING Data Classification et Machine Learning
Domaine : Data Science – Deep learning
DURÉE
2 jour(s)
OBJECTIFS
Savoir définir les étapes de préparation des données, comprendre et mettre en oeuvre l'apprentissage automatique, les techniques de classification de données, les apports des réseaux de neurones et du Deep Learning.
Pré-requis
Connaissances des principes du BigData, et des architectures techniques mises en œuvre
Participants
Chefs de projet, développeurs, data scientists, architectes souhaitant comprendre comment organiser le traitement des données et structurer les processus de Machine Learning.
coût
Formation en cours collectif
Tarif par personne : 1369 € HT
Nous contacter pour une formation sur mesure ou en intra
LIEUx de formation
Notre centre de formation à Sophia AntipolisOu sur votre site en formation intra
PROGRAMME DE FORMATION
DEEP LEARNING Data Classification et Machine Learning
Introduction
Zoom sur les données : format, volumes, structures, ...
Gouvernance des données
Qualité des données
Transformation de l'information en donnée. Qualification et enrichissement
Sécurisation et étanchéité des lacs de données
Flux de données et organisation dans l'entreprise. De la donnée maître à la donnée de travail. MDM.
Mise en oeuvre pratique des différentes phases :
Transformation de l'information en donnée. Qualification et enrichissement
Sécurisation et étanchéité des lacs de données
Flux de données et organisation dans l'entreprise. De la donnée maître à la donnée de travail. MDM.
Mise en oeuvre pratique des différentes phases :
Traitements statistiques de base
Introduction aux calculs statistiques. Paramétrisation des fonctions
Applications aux fermes de calculs distribués
Problématiques induites. Approximations. Précision des estimations
Applications aux fermes de calculs distribués
Problématiques induites. Approximations. Précision des estimations
Data Mining
Besoin, apports et enjeux
Extraction et organisation des classes de données
Analyse factorielle
Extraction et organisation des classes de données
Analyse factorielle
Machine Learning
Apprentissage automatique
Définition, les attentes par rapport au Machine Learning
Ingénierie des variables.
Les méthodes : apprentissage supervisé et non supervisé
Classification des données
Algorithmes : régression linéaire, k-moyennes, k-voisins, classification naïve bayésienne, arbres de décision, forêts aléatoires, etc ..
Création de jeux d'essai, entraînement et construction de modèles.
Prévisions à partir de données réelles. Mesure de l'efficacité des algorithmes. Courbes ROC
Parallélisation des algorithmes. Choix automatique
Définition, les attentes par rapport au Machine Learning
Ingénierie des variables.
Les méthodes : apprentissage supervisé et non supervisé
Classification des données
Algorithmes : régression linéaire, k-moyennes, k-voisins, classification naïve bayésienne, arbres de décision, forêts aléatoires, etc ..
Création de jeux d'essai, entraînement et construction de modèles.
Prévisions à partir de données réelles. Mesure de l'efficacité des algorithmes. Courbes ROC
Parallélisation des algorithmes. Choix automatique
IA
Introduction aux réseaux de neurones
Réseaux de neurones à convolution. Modèles de CNN
Les types de couches : convolution, pooling et pertes
L'approche du Deep Learning. Deeplearning4j sur Spark
Réseaux de neurones à convolution. Modèles de CNN
Les types de couches : convolution, pooling et pertes
L'approche du Deep Learning. Deeplearning4j sur Spark
Les risques et écueils
Importance de la préparation des données
L'écueil du "surapprentissage"
L'écueil du "surapprentissage"
Visualisation des données
L'intérêt de la visualisation
Outils disponibles
Exemples de visualisation avec R et Python
Outils disponibles
Exemples de visualisation avec R et Python
dates des formations a grenoble
dates des formations a SOPHIA ANTIPOLIS
formations associées