Apprentissage machine pour la science des données
Du lundi 7 octobre 2024 au jeudi 10 octobre 2024
Formation
FORMATION COMMUNE CERFACS/INSA Toulouse
.
Le Cerfacs est certifié Qualiopi pour ses actions de formation
4 jours / 27 heures
Session en présentiel
Indice de satisfaction
En octobre 2023 100% des participants étaient satisfaits ou très satisfaits
(résultats recueillis auprès de 14 répondants sur 15 participants, soit un taux de réponse de 93%)
Témoignage
Cela reste l’une des meilleures sessions de formation à laquelle j’ai participé au cours de mon cursus universitaire. Tous les doctorants devraient suivre une formation similaire au début de leur doctorat, et je pense que tous les étudiants en master en ont également besoin, quel que soit leur domaine (J., 2023)
Je recommanderais cette formation à mes collègues (V., 2023)
Merci beaucoup d’avoir partagé toutes vos connaissances d’une si bonne manière. (D., 2023)
Descriptif
Cette formation permet aux participants de consolider leurs bases théoriques et pratiques pour comprendre et mettre en œuvre les algorithmes d'apprentissage machine. Elle comporte la présentation des principales méthodes d'analyse statistique des données, autant sur un plan exploratoire (apprentissage non supervisé) que prédictif (apprentissage supervisé). Chaque méthode est d'abord présentée et commentée théoriquement, avant d'être illustrée numériquement sur des jeux de données sur les logiciels R et/ou python/scikit-learn.
Objectif de la formation
Connaître les principaux algorithmes d'analyse automatique des données et savoir les mettre en œuvre avec R et python/scikit-learn.
Objectif pédagogique
A l'issue de la formation, les participants devront être capables de :
- reconnaître le type de problème qui leur est posé (apprentissage supervisé, non supervisé, par renforcement, séquentiel, etc.) ;
- connaître et choisir un ou plusieurs algorithmes adaptés au traitement de ce problème ;
- mettre en œuvre cet algorithme dans un environnement de travail R ou python.
Modalités pédagogiques
La formation est une alternance d’exposés théoriques et de travaux pratiques. Un QCM permet l’évaluation finale. La salle de formation est équipée d’ordinateurs, le travail peut se faire en sous-groupe de deux personnes.
Formateur référent : Béatrice LAURENT BONNEAU
Public cible
Ce cours s’adresse aux ingénieurs et informaticiens désirant consolider ou étendre leurs connaissances théoriques et pratiques de l'analyse automatique de données avec les algorithmes d'apprentissage automatique.
Pré-requis
- Être salarié d’une entreprise européenne; une attestation de l’employeur est demandée.
- Etre diplômé Bac + 5 ou plus
- Connaissance de base statistique : probabilités élémentaires, tests statistiques, modèle linéaire gaussien.
- Connaissance de base en algorithmique et programmation.
- Installer Python 2.7 avec Anaconda, R 3.4.2 et IRkernel. Accès à internet lors de la session pour les éventuelles mises à jour et chargement de librairies manquantes.
- La formation peut avoir lieu en anglais ou en français selon l’auditoire, un niveau B2 sur l’échelle européenne CECRL est exigé.
Afin de s'assurer que les prérequis sont bien satisfaits, nous vous prions de bien vouloir répondre au questionnaire suivant. Vous devez obtenir 75% de bonnes réponses pour vous inscrire à cette formation.
Questionnaire 1 : https://goo.gl/forms/xL86TzPDFOC5r7ln1
Inscription
Après avoir effectué le test de pré-requis et obtenu au moins 75% de bonnes réponses, vous pouvez vous inscrire : ici
Avant de vous inscrire, merci de nous signaler toutes contraintes particulières dont vous souhaiteriez nous faire part (horaires, santé, indisponibilité…) à l'adresse e-mail suivante : training@cerfacs.fr
Limite d'inscription : 15 jours avant le début de la formation
Tarifs
Programme
De 9h30 à 13h00 et de 14h00 à 17h15. Matin : cours. Après-midi : travaux pratiques.
Jour 1
Présentation générale de l'apprentissage statistique et de ses grands problèmes. Positionnement par rapport à la statistique classique et au machine learning.
Apprentissage non-supervisé
> Analyse en Composantes Principales
> Classification ascendante hiérarchique
> k-means, k-medoids et variantes
> évocation d'autres méthodes : affinity propagation, dbscan, etc.
Jour 2
Apprentissage supervisé 1/2 :
> k plus proches voisins
> Modèle linéaire gaussien et logistique, sélection de modèles
> Lasso et variantes
> Support Vector Machines
Jour 3
Apprentissage supervisé 2/2 :
> Arbres de décision
> Bagging, Forêts aléatoires, Boosting
> Réseaux de neurones, deep learning
Jour 4
Apprentissage séquentiel, problèmes de bandits multi-bras
Super-learning et agrégation d'experts
Apprentissage par renforcement
Examen final
Un examen final aura lieu à la fin de la formation.
Evaluation des acquis
Un examen final aura lieu à la fin de la formation.
