S'inscrire

Apprentissage automatique : introduction aux techniques récentes et mise en pratique sous Python

Environnement scientifique et technique de la formation

Laboratoire de mathématiques Blaise Pascal

- UMR 6620
RESPONSABLE

Andrzej STOS

Maître de conférences

UMR 6620

LIEU

CLERMONT FERRAND (63)

ORGANISATION

2 jours
De 5 à 20 stagiaires
TD encadrés par deux intervenants

COÛT PÉDAGOGIQUE

1000 Euros

A L'ISSUE DE LA FORMATION

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

DATE DU STAGE

20291 : du lundi 25/05/2020 au mardi 26/05/2020

Janvier Février Mars Avril
Mai
20291
Juin Juillet Août
Sept. Oct. Nov. Déc.
OBJECTIFS
-

Savoir appliquer correctement des méthodes statistiques et utiliser des bonnes pratiques en traitement de données


-

Maîtriser des algorithmes récents en apprentissage automatique


-

Savoir mettre en œuvre ces algorithmes sous Python et être capable de déployer des modèles de machine learning (prédiction, classification supervisée) sous Python

PUBLICS
Ingénieurs, chargés d'études marketing, statisticiens, développeurs
Afin d'adapter le contenu du stage aux attentes des stagiaires, un questionnaire téléchargeable sur notre site internet devra être complété et renvoyé au moment de l'inscription.
PRÉREQUIS
Mathématiques générales (niveau Bac + 2 minimum), connaissances de base en statistiques et d'au moins un langange de programmation
NB : une introduction rapide au langage Python et ses bibliothèques est incluse dans la formation
PROGRAMME
L'objectif est de présenter les principales méthodes récentes en apprentissage automatique / intelligence artificielle. A l'issue de cette formation, les stagiaires auront une bonne compréhension des concepts sous-jacents et la capacité à mettre en œuvre ces méthodes dans des cas pratiques.

1er jour

- Introduction à l'apprentissage automatique
- Introduction à la programmation Python et à son système de bibliothèques pour la science des données
- Modèle d'arbre de décision et méthodes ensemblistes (bagging, boosting, forêts aléatoires, XGBoost...)
- Mise en œuvre en Python / scikit-learn

2ème jour
- Introduction aux réseaux de neurones, principes de fonctionnement
- Architectures particulières, régularisations (early stopping, dropout)
- Mise en œuvre sous Python / Keras

Alternance de cours théoriques (50 %) et de séances de mise en pratique (50 %) sous forme de travaux dirigés sur machines
EQUIPEMENT
Il sera demandé aux participants de venir avec leur propre ordinateur portable ainsi que d'installer des logiciels libres spécifiques (des instructions d'installation seront fournies avant le début du stage).
INTERVENANTS
A. Stos, C. Aaron, J. Ah-Pine (maîtres de conférences) et L. Serlet (professeur)
+ d'infos