FC9BD04

Stage inter entreprise

Prix 2024 :

1 850 €

Comment financer sa formation ?

Durée :

2 jour(s)

Prochaine(s) session(s)

  • Du 24/06/2024 au 25/06/2024 à Paris
  • Du 02/12/2024 au 03/12/2024 à Paris

Présentation

Les sciences de l’information transforment aujourd’hui de nombreux domaines tels que la médecine, la finance, le marketing, la défense ou encore la sécurité. La capacité à traiter et analyser des données de très grande dimension, souvent massives (big data) est un enjeu majeur dans ces secteurs d’activités. La discipline qui développe et étudie des méthodes concrètes pour modéliser ce type de données est le machine learning. A l’interface des mathématiques appliquées et de l’informatique, cette discipline vise à produire des outils de prédiction et d'aide à la décision, automatiquement, à partir d’un apprentissage sur des données et des évènements. L'apparition d'algorithmes très performants pour la classification de données en grande dimension, tels que le Boosting ou les Support Vector Machines (SVM) dans le milieu des années 90, a progressivement transformé le champ occupé jusqu'alors par la statistique traditionnelle. Celle-ci s'appuyait en grande partie sur le prétraitement réalisé par l'opérateur humain.

La formation présente le domaine et ses fondements. Ses problèmes et ses méthodes les plus récentes sont également étudiés. Les concepts sont illustrés par des applications variées.

 

Objectifs

  • Identifier les fondements historiques et théoriques de l’apprentissage automatique
  • Utiliser les algorithmes majeurs en machine learning et reconnaître les situations dans lesquelles les appliquer
  • Programme

    Introduction

    Problématiques traitées par le machine learning 

    • Classification
    • Régression
    • Réduction de dimension
    • Critères de choix d'algorithme

    Introduction à la théorie de l’apprentissage (principe de la minimisation de risque empirique) : exemples applicatifs

    • LDA (Linear Discriminant Analysis) – supervisé
    • K-means – non supervisé

    Sur-apprentissage, sélection de modèle

    Optimisation pour le machine learning

    Régression logistique

    Arbres de classification

    Méthodes ensemblistes

    Support Vector Machine (SVM)

    Introduction aux réseaux de neurones / deep learning

    • Traitement du langage naturel NLP
    • Traitement d’images

    Travaux pratiques avec Python, Scikit-Learn

    Synthèse et conclusion

  • Points forts

    Formation donnant les fondements théoriques et permettant de prendre en main par la pratique les algorithmes de Machine Learning les plus utilisés.

  • Modalités pédagogiques

    Travaux pratiques en Python :

    • Initiation à Scikit-Learn
    • Application des algorithmes
    • Compréhension des mesures de performances et des avantages/inconvénients des différentes méthodes
  • Public cible et prérequis

    Ingénieurs et techniciens ayant besoin de méthodes d'apprentissage pour automatiser des tâches (prédiction, décision, etc.) de manière performante. Chefs de projets qui souhaitent mieux identifier les tâches que le machine learning permettrait d'automatiser. 

    Ingénieurs ou techniciens avec une maitrise du langage Python et des connaissances élémentaires des mathématiques scalaires, techniciens ou ingénieurs spécialistes des sciences de la donnée.


    Des bases en Python (opérateurs clés (if, for, etc.), listes, dictionnaires) et des connaissances en mathématiques (fonctions et dérivées, limites, norme et produit scalaire) sont souhaitables/nécessaires afin de tirer pleinement profit de cette formation

  • Responsables

    • Stephan CLEMENÇON

      Enseignant-chercheur au département Image, Données, Signal de Télécom Paris, il anime l’équipe de recherche S2A (Statistiques et Applications) au sein du laboratoire LTCI. Ses recherches portent principalement sur la théorie statistique de l'apprentissage. Il enseigne le machine learning à Télécom Paris, à l'ENSAE Paris, à l'Université Paris 7 et à l'ENS Cachan.

    • Hicham JANATI

      Enseignant-chercheur au département Image, Données, Signal de Télécom Paris. Docteur en apprentissage statistique de l'Institut Polytechnique de Paris et l'Inria. Ses recherches portent principalement sur le machine learning et ses interactions avec la théorie du transport optimal. Il enseigne le machine learning et l'apprentissage statistique a l'ENSAE, Python en data science à l'École Polytechnique.

Prochaine(s) session(s)

  • Du 24/06/2024 au 25/06/2024 à Paris
  • Du 02/12/2024 au 03/12/2024 à Paris

Vous êtes intéressé(e) et/ou vous voulez procéder à une inscription ?

N'hésitez plus et complétez le formulaire. Nous revenons vers vous ensuite pour répondre à vos questions et/ou compléter votre inscription.
Ordre
  • Participant

  • Participant

  • Participant

Nous sommes également à votre disposition par téléphone

Appelez le +33 (01) 75 31 95 90

Vous pourriez aussi être intéressé par...

En savoir plus

[Formation] Standard 5G – Radio et cœur de réseau

Domaine : Réseaux opérateurs de transport de données – Nos formations

Durée : 3 jour(s)