Advertisement
Centre Certus De Formation à Monastir vous organise une formation INITIATION en " Machine_Learning & Deep_learning"Technologies: #Python & #TensorFlow
Vous voulez vous démarquer et vous faire reconnaître dans votre environnement professionnel et personnel ?
Cette formation est pour vous !!
Objectifs-Pédagogiques :
Soyez autonome dans la mise en place des modèles prédictifs d’apprentissage automatique. Ceci est bien construit, au moment où on formule notre algorithme de machine-learning (ML) l’évaluer et le valider.
La manipulation des données d'apprentissage, test et validation.
Évaluation la qualité des prédictions et validation
Savoir construire un réseau de neurones du perceptron à une couche simple et
multilayer sous python
Bénéficier de la librairie magique Tensorflow pour des algorithmes de Deep-Learning avec de cas des exemples du monde réel
** Durée: 12h formation Pratique 100%
** Formation #certifiée avec un diplome agrée par l'Etat
** Adresse: Av du combattant suprême 5000 Monastir
** NB: On accepte aussi #les_bons_de_commande des laboratoires pour vous les chercheurs et les doctorant
Plus d'information veuillez contacter 54 582 980 - 22 889 378
lien de pré-inscription : http://urlz.fr/6CQw
P r é r e q u i s :
Connaissances des méthodes statistiques descriptives et inférentielle de base
Des connaissances basiques de programmation en Python (scripting)
Sujets couverts :
Partie 1 :
Mise en place du Framework et librairies ( Python,Connection Serveurs…)
Introduction à l’apprentissage automatique.
Approche AA (Supervisée / Non supervisée)
Formalisation des problèmes d’apprentissage supervisé : classification / régression
Définition d'un modèle et ses paramètres
Exemples Pratiques de Machine Learning dans IA (Intelligence Artificielle)
Partie 2 :
Classification non supervisée (k-Means Clustering)
Concept et définitions
Algorithme de centres mobiles (k-means)
Le choix de nombre de Clusters (classes k)
Pratique de l’algorithme avec Python (Exemple :Clustering/ Evaluation des autos)
Machine-Learning Ing/Doc/form Mr Fedy DhouiBI
a-Nettoyage des données du jeu
b-Etude descriptive et réduction des dimensions via ACP
c-PreProcessing Data
c-Clustering
d-Sélection du modèle et visualisation
e-Choix de de nombre de clusters
Partie 3 :
Classification supervisée : KNN : Algorithmes des plus proches voisins
Introduction et Méthodologie
Construction du modèle
Séparation des données (Split Data) (jeu Apprentissage/Test/Validation)
Mesures agrégées de performance des modèles prédictifs : accuracy, précision, matrices de confusion
Validation croisée (K-fold)
Mise en pratique avec Python (Librairie : Scikit-Learn,BigML) (Exemple :Reconnaissance des nombres manuscrits )
a-Préparation du jeu MNIST et le script Python
b-Echantillonnage et séparation données
c-Prédiction
d-Mesure de performance
e-Choix optimal du nombre k
Partie 4 :
Introduction aux réseaux de neurones
Définition et problématique
Modèles de réseaux neurones à simple et multi-layer perceptrons
Fonctionnement d’un réseau de neurones : graph d’opérations, rôle des paramètres, fonction d’activation, apprentissage (propagation de l’erreur et optimisation), inférence
Importance de la rétro-propagation et le feed-forward
L’ajout des couches pour l’apprentissage profond (Deep-Learning)
Introduction aux Réseuaux neurones à convolution et réccurents (CNN et RNN)
Partie 5 :
Introduction au monde TensorFlow
Déploiement de Tensorflow sur Python
Premiers pas de découverte de langage TensorFlow
Mise en pratique : Etude de cas par un modèle de régression avec Tensorflow (Exemple : Prédiction des prix de vente de maisons)
a- Régression linéaire, multiple
b-Optimisation
c-Comparaison des modèles
Advertisement
Event Venue
Online
Tickets