Introduction au langage python

• Environnement de développement
• Types de données : variables, tableaux, listes, dictionnaires, tuples
• Opérations courantes : conditions, boucles, fonctions, ...
• Modules et packages
• Manipulations de fichiers
• Built-in fonctions
• Optimisation de code & automatisation des tâches
• Programmation POO orientée objet : méthodes, classes, héritage
• Analyse des données (librairies Numpy & Pandas)
• Visualisation graphique des données (librairie Matplotlib)
• Gestion des Exceptions

Introduction à l'IA (Machine Learning et Deep Learning)

• Algorithmes d'apprentissage par familles (supervisé, non-supervisé)
• Algorithmes (Regression, Classification, Clustering, ...)
• Domaines d'application

Data Preprocessing

• Méthodes de préparation des données avant leur utilisation dans le Machine Learning

Algorithmes de l'apprentissage supervisé
Régression

• Les 4 notions clés (Dataset, Modèle, Fonction coût, Apprentissage automatique)
• Fonctionnement de l'pprentissage d'un modèle
• Algorithme du « Gradient Descent » et son rôle dans l'pprentissage d'un modèle
• Pratique : développer un modèle de prédiction (Regression linéaire)
• Evaluer les performances du modèle
• Exercices

Classification par l'algorithme KNN (K-Nearest Neighbors)

• Fonctionnement
• Pratique : développer un modèle de vision par ordinateur
• Diagnostic d'un modèle, Matrice de confusion
• Exercices

Algorithmes de l'apprentissage non supervisé

• Fonctionnement du regrouppement par l'algorithme K-Means
• Pratique : développer un modèle de clustering - Reconnaître les structures des données (objets/images) et les regrouper dans des classes
• Exercices

Réseaux de neurones

• Fonctionnement et Entraînement des réseaux de neurones MLP, CNN et RNN
• Pratique : développer des modèles RN de reconnaissance et classification d'images, Time Series Forcasting (Prévision de séries) avec LSTM
• Exercices

Deep Learning

• Les environnements TensorFlow, Keras
• Pratique : développer des modèles de RN avec Tensorflow (classification d'images)
• Exercices

Gestion de projet de Machine Learning

• Bonnes pratiques
• Performances d'un modèle (Overfitting, Features selection, Cross Validation)
• Cycle de développement

Déploiement d'un modèle de Machine Learning sur un serveur distant (cloud)

• Entrainer et exploiter un modèle en ligne
<

Cette formation est destinée aux personnes souhaitant maîtriser le langage python et son application à l'intelligence artificielle, Machine Learning, Deep Learning. Elle est également destinée aux Managers souhaitant comprendre les spécificités de Python et du Machine Learning, ainsi qu'aux personnes possédant une compétence métier mais désireuses d'ajouter une compétence supplémentaire afin de dégager des grosses synergies.

Objectifs de la formation

• Maîtriser les bases de python et leur application à l'intelligence artificielle
• Apprendre à manipuler les outils python pour analyser et visualiser les données
• Apprendre à manipuler en python les fichiers Excel, CSV, base de données SQL
• Apprendre à optimiser le code python et automatiser des tâches
• Apprendre à développer en python POO (Programmation orienté objet)
• Apprendre à développer en python des modèles de Machine Learning (Regression linéaire, classification, réseaux de neurones)
• Comprendre les algorithmes d'apprentissage automatique du Machine Learning
• Comprendre les objectifs et les domaines d'application
• Comprendre le Deep Learning et les différents réseaux de neurones
• Apprendre à developper en python des algorithmes de Deep Learning
• Apprendre les bonnes pratiques pour gérer un projet d'intelligence artificielle
• Apprendre à déployer un modèle de Machine Learning sur un serveur distant (cloud)

Préparation à la certification.
Acquérir les compétences suivantes :

• Maîtriser le langage Python et son application à l'Intelligence artificielle
• Apprendre à développer en Python des modèles de Machine Learning (prédiction, classification, réseaux de neurones)
• Apprendre à manipuler en python les outils de Data Sciences pour analyser, traiter et visualiser des données
• Apprendre à manipuler en python les bases de données SQL, les fichiers CSV, Excel
• Comprendre les bases et le fonctionnement des algorithmes du Machine Learning
• Comprendre les objectifs et les domaines d'application
• Apprendre à mettre en applications les algorithmes d'apprentissage automatique
• Comprendre le Deep Learning et les différents réseaux de neurones
• Maîtriser les outils (Tensorflow, Keras, ...) pour faire du Deep Learning avec Python
• Apprendre à mener à bien un projet de conception et mise en place d'algorithmes de Deep Learning avec Python
• Apprendre les bonnes pratiques pour gérer un projet d'Intelligence artificielle
• Apprendre à Développer en POO (Programmation orienté objet)