1. Installation et première prise en main de l'environnement de travail (21 min)
2. Les bases du langage Python (56 min)
3. Les conditions (28 min)
4. Les listes (31 min)
5. Les dictionnaires (21 min)
6. Les boucles (19 min)
7. Les fonctions (27 min)
8. Les librairies (11 min)
9. Maîtriser la librairie Numpy (40 min)
10. Maîtriser la librairie Pandas (1 h 58 min)
11. Apprendre la Data visualisation (1 h 11 min)
12. Maîtriser les APi pour extraire de la data (44 min)
13. Apprendre le Web scraping (32 min)
14. Maîtriser le langage SQL (1 h 13 min)
15. Une première approche de la statistique descriptive (45 min)
16. Le machine learning (2 h 41 min)
Partie 1 : Introduction au NLP
Partie 2 : Manipuler les textes et les symboles
* 2.1 - Segmentation des symboles (tokenization)
* 2.2 - Détection de récurrences (patterns) et nettoyage de textes
* 2.3 - Étiqueter des symboles (token tagging)
Partie 3 : Représenter les symboles comme des vecteurs numériques
* 3.1 - Vectorisation par la présence et la fréquence des tokens
* 3.2 - Vectorisation par la contingence des tokens
* 3.3 - Vectorisation par apprentissage non-supervisé
Partie 4 : Deep Learning pour NLP
* 4.1 - Rappel de Machine Learning
* 4.2 - Perceptron multicouches (MLP)
* 4.3 - CNN, RNN & LSTM
* 4.4 - Mécanisme d'attention & Transformers
Partie 5 : État de l'art du NLP
* 5.1 - Du mécanisme d'attention au Transformer
* 5.2 - Utilisation et réutilisation des Transformers
* 5.3 - Cas pratiques de classification
* 5.4 - Cas pratiques de génération de texte
Partie 6 - Conclusion
L'objectif de ce parcours de formation est de vous permettre de préparer l'évaluation du bloc intitulé "Développer une solution d'intelligence artificielle (Machine et Deep Learning) de la certification "Chef de Projet en Intelligence Artificielle" inscrite au RNCP sous le n° 36129.
A l'issue de cette formation vous serez en mesure :
- manipuler, analyser, visualiser des données grâce à Python
- maîtriser le language Python afin de construire des modèles de machine learning
- concevoir des solutions de machine machine learning appliquées au traitement automatisé du langage naturel
Appelez-nous au [information privée]
Envoyez votre email à [information privée]
L'aboutissement logique de cette formation est le passage l'évaluation du bloc intitulé "Développer une solution d'intelligence artificielle (Machine et Deep Learning) de la certification "Chef de Projet en Intelligence Artificielle" inscrite au RNCP sous le n° 36129.
En suivant cette formation, vous vous engagez à passer l'examen du bloc de cette certification. Il devra être passé après la formation et après vos révisions personnelles.
Dans le cadre de cette certification professionnelle inscrite au RNCP il vous sera demandé de fournir les données suivantes :
Nom et prénom, date de naissance, lieu de naissance, coordonnées, expérience professionnelle avant et après la certification, fonction/statut, type de contrat nom de l'entreprise, rémunération brute annuelle à 6 mois et à 1 an/2 ans.
Ces informations sont collectées afin d'éditer le parchemin de certification, d'alimenter le passeport de compétences, et pour répondre à l'obligation de l'évaluation de l'impact économique et social de la certification professionnelle
Passage de l'évaluation bloc intitulé "Développer une solution d'intelligence artificielle (Machine et Deep Learning) de la certification "Chef de Projet en Intelligence Artificielle" inscrite au RNCP sous le n° 36129
L'évaluation se déroule sur notre plateforme d'apprentissage en mode asynchrone et est constituée de 2 parties :
- 1 mise en situation professionnelle reconstituée sous forme d'étude de cas proposée au candidat : à partir d'un jeu de donnée d'entreprise, le candidat devra mettre en ¿uvre divers prétraitements et augmentation de données afin de rendre ces dernières exploitables par les techniques d'apprentissage automatisées. Durée de l'examen 1h30.
- 1 mise en situation professionnelle sous forme d'étude de cas proposée au candidat : en se basant sur une solution proposée, le candidat devra réaliser un rapport de synthèse et d'étonnement incluant : l'explication des choix de solutions IA implémentés, l'interprétation des résultats, l'évaluation de la fiabilité des algorithmes et une proposition d'optimisation. Durée de l'examen 1h30.