Apprentissage

Public visé

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

Prérequis

• Connaissances en mathématiques algébriques pour interpréter les algorithmes
• Langage Python (des rappels sont fournis pendant la formation)

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
• Perspectives offertes par le Big Data et l’IA
• Les acteurs du secteur
• Technologies concernées et métiers associés
• Aspects économiques (OPEX, CAPEX, TRI) du Cloud vs On-Premise

Rappels sur la Data Science

• Bases du langage Python
• Modélisation par vecteurs et matrices
• Probabilités et statistiques (descriptives/explicatives)
• Entropie et gain d’information
• Compromis biais-complexité et malédiction de la dimension
• Matrice de confusion
• Gestion des valeurs manquantes (MCAR/MAR/MNAR)
• Validation croisée et courbes d’apprentissage
• Nettoyage des données et réduction dimensionnelle
• Métriques : R², Accuracy, Précision, Rappel, F1-score, AUC, P-valeur

Travaux pratiques

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

Jour 2

Machine Learning et IA : Algorithmes

• Concepts du Machine Learning et de l’IA
• Données supervisées vs non supervisées
• Bibliothèques : Scikit-learn, Tensorflow, PyTorch, Keras
• Régression et modèles linéaires
• Classification
• Naive Bayes, K-NN, K-Means clustering

Travaux pratiques

• Mise en oeuvre des algorithmes selon finalité (régression, classification, imputation) avec 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 et récurrents

Travaux pratiques

• Modélisations avancées (DL, CNN, RNN) avec optimisation d’architectures et hyper-paramètres

Jour 4

Développer avec Spark

• Introduction à Apache Spark
• Machine Learning avec Apache Spark MLlib
• Traitement temps réel avec Apache Spark Streaming
• Requêtes SQL avec Apache Spark SQL
• Modélisation de réseaux sociaux avec Apache Spark GraphFrames
• Travail collaboratif avec MLFlow

Travaux pratiques

• Exercices avec Spark MLlib/Streaming/SQL/GraphFrames et implémentation de MLFlow pour comparaison de modèles

Jour 5

Outil de visualisation des données (Dataviz)

• Définition et acteurs de la Dataviz
• Principes de la Dataviz
• Bibliothèques Python (Matplotlib, Seaborn)
• Tableau Desktop/Public et Microsoft Power BI

Introduction à MLOps et architectures serverless

• Approches DevOps et GitOps
• Conteneurisation et automatisation
• Architectures serverless
• Développement et déploiement d’applications MLOps
• Monitoring et amélioration continue

Travaux pratiques

• Prise en main de Tableau ou Power BI, utilisation de bibliothèques Python, création et exécution d’un pipeline MLOps avec serving et monitoring