S'inscrire

Introduction au machine learning et au deep learning, mise en oeuvre en Python

RESPONSABLES

Stéphane GAÏFFAS

Professeur

UMR 8001

Karine TRIBOULEY

Professeur

UMR 8001

LIEU

PARIS (75)

ORGANISATION

3 jours
De 10 à 20 stagiaires
TD encadrés par un intervenant pour 10 stagiaires maximum

COÛT PÉDAGOGIQUE

1800 Euros

A L'ISSUE DE LA FORMATION

Evaluation de la formation par les stagiaires
Envoi d'une attestation de formation

DATE DU STAGE

18388 : du mercredi 17/10/2018 au vendredi 19/10/2018

Janvier Février Mars Avril
Mai Juin Juillet Août
Sept. Oct.
18388
Nov. Déc.

OBJECTIFS

- Maitriser les principaux algorithmes de machine learning et deep learning pour l'apprentissage supervisé
- Comprendre les concepts et fonctionnements des algorithmes
- Etre capable de les mettre en oeuvre avec Python
- Etre capable de choisir les algorithmes de machine learning selon les cas d'usages
- Savoir évaluer les performances des algorithmes de machine learning

PUBLIC

Chercheurs et ingénieurs en lien avec des problématiques liées à la science des données, allant de la science expérimentales aux sciences humaines, data-miners, informaticiens, développeurs et statisticiens intéressés par l'état de l'art en science des données

PRÉREQUIS

Connaissance d'au moins un langage de programmation ; connaissance de bases en probabilités et statistiques

PROGRAMME

L'apprentissage machine (machine learning) est une discipline scientifique qui s'intéresse à la conception et au développement d'algorithmes permettant aux ordinateurs d'apprendre à prendre des décisions à partir de données. L'ensemble des données possibles qui alimentent une tâche d'apprentissage peut être très vaste et varié, ce qui rend la modélisation et les hypothèses préalables critiques pour la conception d'algorithmes pertinents.
Ce stage se concentre sur la méthodologie sous-jacente à l'apprentissage supervisé avec un accent particulier sur la formulation mathématique des algorithmes et la façon dont ils peuvent être mis en œuvre et utilisés dans la pratique.
- Introduction à l'apprentissage supervisé : régression et classification binaire, métriques d'évaluation classiques et quelques « recettes de cuisine » (cross-validation, overfitting)
- Méthodes linéaires : LDA, modèles linéaires généralisés, régression logistique. SVM linéaire : hinge loss, méthodes de régularisation ridge, lasso, problèmes en grande dimension
- Méthodes non-linéaires : arbres de décision, CART, boosting, XGBoost, LightGBM, random forests, méthodes à noyaux
- Méthodes d'optimisation pour le machine learning : coordinate gradient descent, descente de gradient stochastique et améliorations
- Deep learning : feed-forward neural networks, convolutional neural networks, back-propagation, algorithmes stochastiques pour l'entrainement, early stopping, méthodes d'initialisation, régularisation dropout, mise en oeuvre avec tensorflow et keras

Alternance de cours (50 %) et d'ateliers de mise en pratique (50 %)

EQUIPEMENTS

Il est demandé aux stagiaires de venir avec leur propre ordinateur sur lequel les logiciels et outils (libres) nécessaires à la formation (communiqués avant le début du stage) seront préalablement installés.
Formation proposée en partenariat avec la FSMP

Choisir une formation

Choisir un autre domaine

+ d'infos