Cette formation intensive de cinq jours couvre l’ensemble du parcours Machine Learning, de la statistique descriptive aux architectures Deep Learning, en passant par Scikit-learn, TensorFlow, Spark et la visualisation de donnees. Vous apprendrez a developper, optimiser et deployer des modeles ML en conditions reelles, avec un pipeline MLOps complet incluant monitoring et amelioration continue.

Public visé

Toute personne souhaitant acquérir des compétences dans le développement d’applications de Machine Learning et d’IA.

Prérequis

Avoir suivi cette formation, ou en maîtriser les thèmes abordés :

Python - Initiation

Objectifs pédagogiques

À l’issue de cette formation, les apprenants seront capables de :

Développer des applications de Machine Learning et d’IA avec Spark et Python
Utiliser la programmation parallèle sur un cluster
Développer et optimiser des algorithmes standards de Machine Learning et d’IA
Utiliser les bibliothèques Python pour le Machine Learning et l’IA
Décrire le cycle de vie d’un projet Data Science

Programme

Jour 1

Vue d’ensemble du Big Data, du Machine Learning et de l’IA

Introduction au Big Data et à l’IA (Intelligence Artificielle) : de quoi s’agit-il ?
Perspectives offertes par le Big Data et l’IA
Les acteurs du Big Data et de l’IA
Exemples pratiques
Les technologies concernées
Les différents métiers
Aspects économiques (OPEX, CAPEX, TRI) du Cloud vs On-Premise
Démonstration d’applications

Rappels sur la Data Science

Les bases du langage Python
Modélisation des problématiques grâce à des vecteurs et matrices
Probabilités, statistiques, statistiques descriptives, statistiques explicatives
Entropie, gain d’information
Compromis biais-complexité
La malédiction de la dimension
Matrice de confusion
Gérer les valeurs manquantes MCAR / MAR / MNAR
Validation croisée
Courbe d’apprentissage
Fondamentaux du nettoyage des données
Réduction de la dimension par sélection de variables et par transformation de variables
Métriques de performance d’un modèle :
- R²
- Accuracy
- Prrécision et rappel (recall)
- F1-score
- AUC
- P-valeur

Travaux pratiques :

Chargement, exploration, analyse, nettoyage, et premières modélisations sur un jeu de données

Jour 2

Machine Learning et IA : algorithmes

Les concepts du Machine Learning et de l’IA
Les données supervisées ou non supervisées : quelles différences ?
Les librairies :
- Scikit-learn
- Tensorflow
- PyTorch
- Keras
Régression
Modèles linéaires
Classification
Naive Bayes
K-NN
K-Means clustering

Travaux pratiques :

Mise en oeuvre des algorithmes vus en fonction de la finalité recherchée (régression, classification, imputation de valeurs manquantes) et en utilisant les librairies Scikit-learn et Keras

Jour 3

Machine Learning et IA : algorithmes (suite)

DBScan
Arbres de décision et de régression
Support Vector Machines (SVM)
Réseaux de neurones et apprentissage profond (Deep Learning)
Réseaux convolutifs, réseaux récurrents

Travaux pratiques :

Modélisations avancées (DL, CNN, RNN) avec optimisation des architectures et hyper-paramètres

Jour 4

Développer avec Spark

Introduction à Apache Spark
Faire du Machine Learning avec Apache Spark MLlib
Traiter les données en temps réel avec Apache Spark Streaming
Faire des requêtes au format SQL avec Apache Spark SQL
Modélisation de réseaux sociaux grâce à des graphes avec Apache Spark GraphFrames
Démonstration du travail collaboratif avec MLFlow

Travaux pratiques :

Exercices d’application avec Spark MLlib/Streaming/SQL/GraphFrames
Mise en oeuvre de MLFlow pour comparer les modèles

Jour 5

Outil de visualisation des données (ou Dataviz)

Définition de la Dataviz
Les acteurs de la Dataviz
Principes de la Dataviz
Exemples d’analyse (sous forme de démo) :
- Bibliothèques de Dataviz de Python
- Tableau Desktop / Public
- Microsoft Power BI

Introduction à MLOps et aux architectures serverless

Les approches DevOps et GitOps
Bases de la conteneurisation et de l’automatisation
Les architectures serverless
Développer et déployer des applications MLOps en production (démo)
Monitoring et amélioration continue des applications MLOps (démo)

Travaux pratiques :

Prise en main de Tableau ou MS Power BI
Utilisation de librairies Python (Matplotlib, Seaborn)
Création et exécution d’un pipeline MLOps avec serving et monitoring du modèle

Modalités d’évaluation des acquis

En cours de formation, par des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation.

Pour aller plus loin

Cette formation donne accès aux formations suivantes :

Voir aussi

Vous serez peut-être intéressés par les formations suivantes :

Formation EAI-ML-100 — Apprentissage. Domaine : Intelligence Artificielle. Niveau : Initiation. Durée : 5 jours (35 heures). Mots-clés : machine-learning, intelligence-artificielle, initiation, deep-learning, python, spark. Cylian Formation, Dijon.