Formation Machine Learning avec Python

Contact ABSUP
04 28 29 85 15

Prochaines dates Lyon

mai 2024

13 mai au 15 mai

mai 2024

27 mai au 29 mai

juin 2024

3 juin au 5 juin

juin 2024

17 juin au 19 juin

juillet 2024

1 juillet au 3 juillet

juillet 2024

15 juillet au 17 juillet

juillet 2024

29 juillet au 31 juillet

août 2024

19 août au 21 août

septembre 2024

2 septembre au 4 septembre

septembre 2024

16 septembre au 18 septembre

septembre 2024

30 septembre au 2 octobre

octobre 2024

14 octobre au 16 octobre

novembre 2024

4 novembre au 6 novembre

novembre 2024

18 novembre au 20 novembre

décembre 2024

2 décembre au 4 décembre

décembre 2024

16 décembre au 18 décembre

Machine Learning avec Python

1170  HT - 3 jours

Objectif : initiation aux fonctionnalités spécifiques de Python

Public admis : demandeur d’emploi, salarié, entreprise, étudiant, particulier

Pré-requis : Python – Base

Certification : TOSA

Référence : 51862
S'inscrire
PROGRAMME
1. IMPORT DES DONNÉES ET PREPROCESSING
  • L'environnement de développement Python / Anaconda / Jupyter Notebook
  • Pandas : l’analyse de données tabulaires (CSV, Excel), statistiques, pivots, jointures et filtres
  • Traitement des valeurs manquantes : imputation par la moyenne, médiane, interpolation, knn
  • Traitement des Outliers : analyse graphique, méthode de l’IQR, Z-score
  • Standardisation
  • Normalisation : Skewness et Kurtosis
  • Données non balancées : Undersampling, Oversampling, SMOTE
2. ENTRAINEMENT DE MODÈLES ET ÉVALUATION
  • Modèles d’apprentissage supervisés et non-supervisés les plus courants
  • Entraînement de modèles avec Scikit-learn
  • Méthodes d’évaluations : savoir choisir les bonnes métriques pour chaque problématique
3. OPTIMISATION DES MODÈLES ET LOG DES PERFORMANCES
  • Présentation des librairies Optuna et Hyperopt
  • Présentation de l’approche Grid Search pour identifier les meilleurs hyper paramètres d’un modèle
  • Log des hyper paramètres et des performances dans Mlflow
4. MODÈLE ET DATA DRIFT
  • Intérêt de vérifier le modèle Drift et le Data Drift
  • Présentation des librairies Evidently et Streamlit
5. INDUSTRIALISATION ET DÉPLOIEMENT DANS LE CLOUD
  • Présentation du service AWS EC2
  • Présentation de Flask pour la mise à disposition d’un modèle de machine learning par le biais d’une API
  • Présentation de divers outils de connexion à l’environnement virtuel tels que Putty et Visual Studio Code
  • Déploiement du code par le biais de GitHub
CONTACT





    Loading...

    * Champs obligatoires