Machine Learning

L’apprentissage automatique est un champ d’étude de l’intelligence artificielle qui se fonde sur des approches statistiques pour donner aux ordinateurs la capacité d’ « apprendre » à partir de données, c’est-à-dire d’améliorer leurs performances à résoudre des tâches à partir d’algorithmes génériques.

En Individuel

Proche de chez vous

Personnalisé

Flexibilité

Éligible au CPF

Initiation avec Java
Initiation avec JavaScript
Initiation Python
Approfondissement avec Java
Approfondissement avec JavaScript
Approfondissement avec Python

Machine Learning Initiation avec Java


Les algorithmes de machine learning résolvent automatiquement des problèmes par construction de modèles appris sur des jeux de données. Les domaines d’application sont nombreux et variés : les IA des jeux, les recommandations des sites d’ecommerce, l’optimisation des lignes de production dans les usines, la robotique, la collaboration entre objets connectés… Pendant la formation Machine Learning Initiation avec Java, vous apprendrez les concepts fondamentaux du machine learning à travers de nombreux exemples.

Objectifs : Comprendre les principes du machine learning avec des exemples en Java

1 – Généralités

Place du machine learning dans l’intelligence artificielle
Intérêts et enjeux
Relations avec le Big Data et le Deep Learning
Apprentissage : supervisé, non/semi-supervisé, par renforcement et incrémental
Classification vs Régression
Présentation des différents algorithmes d’apprentissage par famille
Exercices

2 – Utilisation

Etude des algorithmes : k-moyennes/proches voisins
Mise en pratique avec le framework Weka
Exercices

3 – Méthodologie

Définir le problème
Préparer les données
Choisir quelques algorithmes candidats en fonction du problème
Essayer les algorithmes candidats
Améliorer les résultats du meilleur candidat
Optimiser les résultats du meilleur candidat
Mise en oeuvre de la méthodologie avec le framework Weka
Exercices
Évaluation finale par QCM

Mise à jour : 27/03/2020

f                             

Bases de Java

Ordinateur portable équipé wifi pour les formations en présentiel dans nos locaux.

Emplacement et délai d’accès : sur demande

Durée conseillée : 3 jours

Pour toute information concernant l’accessibilité aux personnes en situation de handicap, prendre contact avec nous.

Tarif et financement : nous contacter
Après avoir reçu votre mail, nous vous rappelons pour faire votre bilan personnel afin de vous orienter vers la bonne formation.

Machine Learning Approfondissement avec Java


Les algorithmes de machine learning résolvent automatiquement des problèmes par construction de modèles appris sur des jeux de données. Les domaines d’application sont nombreux et variés : les IA des jeux, les recommandations des sites d’ecommerce, l’optimisation des lignes de production dans les usines, la robotique, la collaboration entre objets connectés… Pendant la formation Machine Learning Approfondissement avec Java, vous apprendrez les concepts avancés du machine learning, ainsi que les bases du deep learning, en vous appuyant sur les frameworks Weka et Deeplearning4j.

Objectifs : Développer et appliquer des algorithmes de machine learning et de deep learning avec des frameworks Java

1 – Généralités

Place du machine learning dans l’intelligence artificielle
Relations avec le Big Data et le Deep Learning
Exercices

2 – Apprentissage automatisé

Apprentissages : supervisé, non-supervisé, par renforcement
Qualité de l’apprentissage : sous/sur-apprentissage, biais, variance,
matrice de confusion, validation croisée, f-mesure, AUC…
Traitement des données : peu de données/classes, données manquantes…
Visualisation des données : données continues, temporelles, discrètes…
Etude des familles d’algorithmes (Weka) : SVM, forêts d’arbres décisionnels…
Deep Learning avec Deeplearning4j
Exercices

3 – Méthodologie

Définir le problème
Récupérer les données : scraping, bases de données…
Stocker les données : SGBDR, Big Data…
Visualiser les données
Nettoyer les données
Choisir quelques algorithmes candidats en fonction du problème
Comparer les algorithmes candidats
Améliorer les résultats du meilleur candidat
Optimiser les résultats du meilleur candidat
Contrôler les résultats du meilleur candidat en production avec un backend Java EE
Mise en oeuvre de la méthodologie avec les frameworks Weka et Deeplearning4j
Exercices
Évaluation finale par QCM

Mise à jour : 27/03/2020

Bases de Java et de Machine Learning

Ordinateur portable équipé wifi pour les formations en présentiel dans nos locaux.

Emplacement et délai d’accès : sur demande

Durée conseillée : 3 jours

Pour toute information concernant l’accessibilité aux personnes en situation de handicap, prendre contact avec nous.

Tarif et financement : nous contacter
Après avoir reçu votre mail, nous vous rappelons pour faire votre bilan personnel afin de vous orienter vers la bonne formation.

Machine Learning Initiation avec JavaScript


Les algorithmes de machine learning résolvent automatiquement des problèmes par construction de modèles appris sur des jeux de données. Les domaines d’application sont nombreux et variés : les IA des jeux, les recommandations des sites d’ecommerce, l’optimisation des lignes de production dans les usines, la robotique, la collaboration entre objets connectés… Pendant la formation Machine Learning Initiation avec JavaScript, vous apprendrez les concepts fondamentaux du machine learning à travers de nombreux exemples.

Objectifs : Comprendre les principes du machine learning avec des exemples en JavaScript

1 – Généralités

Place du machine learning dans l’intelligence artificielle
Intérêts et enjeux
Relations avec le Big Data et le Deep Learning
Apprentissage : supervisé, non/semi-supervisé, par renforcement
Classification vs Régression
Présentation des différents algorithmes d’apprentissage par famille
Exercices

2 – Utilisation

Etude des algorithmes basiques : k-moyennes/proches voisins
Mise en pratique avec les frameworks Orange et ml.js
Exercices

3 – Méthodologie

Définir le problème
Préparer les données
Choisir quelques algorithmes candidats en fonction du problème
Essayer les algorithmes candidats
Améliorer les résultats du meilleur candidat
Optimiser les résultats du meilleur candidat
Mise en oeuvre de la méthodologie avec les frameworks Orange et ml.js
Exercices
Évaluation finale par QCM

Mise à jour : 27/03/2020

f                             

Bases de Javascript

Ordinateur portable équipé wifi pour les formations en présentiel dans nos locaux.

Emplacement et délai d’accès : sur demande

Durée conseillée : 3 jours

Pour toute information concernant l’accessibilité aux personnes en situation de handicap, prendre contact avec nous.

Tarif et financement : nous contacter
Après avoir reçu votre mail, nous vous rappelons pour faire votre bilan personnel afin de vous orienter vers la bonne formation.

Machine Learning Approfondissement avec JavaScript


Les algorithmes de machine learning résolvent automatiquement des problèmes par construction de modèles appris sur des jeux de données. Les domaines d’application sont nombreux et variés : les IA des jeux, les recommandations des sites d’ecommerce, l’optimisation des lignes de production dans les usines, la robotique, la collaboration entre objets connectés… Pendant la formation Machine Learning Approfondissement avec JavaScript, vous apprendrez les concepts avancés du machine learning, ainsi que les bases du deep learning, en vous appuyant sur les frameworks ml.js et TensorFlow.

Objectifs : Développer et appliquer des algorithmes

1 – Généralités

Place du machine learning dans l’intelligence artificielle
Relations avec le Big Data et le Deep Learning
Exercices

2 – Apprentissage automatisé

Apprentissages : supervisé, non-supervisé, par renforcement
Qualité de l’apprentissage : sous/sur-apprentissage, biais, variance,
matrice de confusion, validation croisée, f-mesure, AUC…
Traitement des données : peu de données/classes, données manquantes…
Visualisation des données : données continues, temporelles, discrètes…
Etude des familles d’algorithmes (Weka) : SVM, forêts d’arbres décisionnels…
Deep Learning avec TensorFlow
Exercices

3 – Méthodologie

Définir le problème
Récupérer les données : scraping, bases de données…
Stocker les données : SGBDR, Big Data…
Visualiser les données
Nettoyer les données
Choisir quelques algorithmes candidats en fonction du problème
Comparer les algorithmes candidats
Améliorer les résultats du meilleur candidat
Optimiser les résultats du meilleur candidat
Contrôler les résultats du meilleur candidat en production avec un backend Node.js
Mise en oeuvre de la méthodologie avec les frameworks ml.js et TensorFlow
Exercices
Évaluation finale par QCM

Mise à jour : 27/03/2020

Bases de JavaScript et de Machine Learning

Ordinateur portable équipé wifi pour les formations en présentiel dans nos locaux.

Emplacement et délai d’accès : sur demande

Durée conseillée : 3 jours

Pour toute information concernant l’accessibilité aux personnes en situation de handicap, prendre contact avec nous.

Tarif et financement : nous contacter
Après avoir reçu votre mail, nous vous rappelons pour faire votre bilan personnel afin de vous orienter vers la bonne formation.

Machine Learning Initiation avec Python


Les algorithmes de machine learning résolvent automatiquement des problèmes par construction de modèles appris sur des jeux de données. Les domaines d’application sont nombreux et variés : les IA des jeux, les recommandations des sites d’ecommerce, l’optimisation des lignes de production dans les usines, la robotique, la collaboration entre objets connectés… Pendant la formation Machine Learning Initiation avec Python, vous apprendrez les concepts fondamentaux du machine learning à travers de nombreux exemples.

Objectifs : Comprendre les principes du machine learning avec des exemples en Python

1 – Généralités

Place du machine learning dans l’intelligence artificielle
Intérêts et enjeux
Relations avec le Big Data et le Deep Learning
Apprentissage : supervisé, non/semi-supervisé, par renforcement
Classification vs Régression
Présentation des différents algorithmes d’apprentissage par famille
Exercices

2 – Utilisation

Etude des algorithmes basiques : k-moyennes/proches voisins
Mise en pratique avec les frameworks Orange et scikit
Exercices

3 – Méthodologie

Définir le problème
Préparer les données
Choisir quelques algorithmes candidats en fonction du problème
Essayer les algorithmes candidats
Améliorer les résultats du meilleur candidat
Optimiser les résultats du meilleur candidat
Mise en oeuvre de la méthodologie avec les frameworks Orange et scikit
Exercices
Évaluation finale par QCM

Mise à jour : 27/03/2020

f                             

Bases de Javascript

Ordinateur portable équipé wifi pour les formations en présentiel dans nos locaux.

Emplacement et délai d’accès : sur demande

Durée conseillée : 3 jours

Pour toute information concernant l’accessibilité aux personnes en situation de handicap, prendre contact avec nous.

Cette formation prépare à la certification professionnelle ENI (RS2721)

Tarif et financement : nous contacter
Après avoir reçu votre mail, nous vous rappelons pour faire votre bilan personnel afin de vous orienter vers la bonne formation.

Machine Learning Approfondissement avec Python


Les algorithmes de machine learning résolvent automatiquement des problèmes par construction de modèles appris sur des jeux de données. Les domaines d’application sont nombreux et variés : les IA des jeux, les recommandations des sites d’ecommerce, l’optimisation des lignes de production dans les usines, la robotique, la collaboration entre objets connectés… Pendant la formation Machine Learning Approfondissement avec Python, vous apprendrez les concepts avancés du machine learning, ainsi que les bases du deep learning, en vous appuyant sur les frameworks Scikit-Learn et TensorFlow.

Objectifs : Développer et appliquer des algorithmes

1 – Généralités

Place du machine learning dans l’intelligence artificielle
Relations avec le Big Data et le Deep Learning
Exercices

2 – Apprentissage automatisé

Apprentissages : supervisé, non-supervisé, par renforcement
Qualité de l’apprentissage : sous/sur-apprentissage, biais, variance,
matrice de confusion, validation croisée, f-mesure, AUC…
Traitement des données : peu de données/classes, données manquantes…
Visualisation des données : données continues, temporelles, discrètes…
Etude des familles d’algorithmes (Weka) : SVM, forêts d’arbres décisionnels…
Deep Learning avec PyTorch et TensorFlow
Exercices

3 – Méthodologie

Définir le problème
Récupérer les données : scraping, bases de données…
Stocker les données : SGBDR, Big Data…
Visualiser les données
Nettoyer les données
Choisir quelques algorithmes candidats en fonction du problème
Comparer les algorithmes candidats
Améliorer les résultats du meilleur candidat
Optimiser les résultats du meilleur candidat
Contrôler les résultats du meilleur candidat en production avec un backend Django
Mise en oeuvre de la méthodologie avec les frameworks PyTorch et TensorFlow
Exercices
Évaluation finale par QCM

Mise à jour : 27/03/2020

Bases du Python et du Machine Learning

Ordinateur portable équipé wifi pour les formations en présentiel dans nos locaux.

Emplacement et délai d’accès : sur demande

Durée conseillée : 3 jours

Pour toute information concernant l’accessibilité aux personnes en situation de handicap, prendre contact avec nous.

Cette formation prépare à la certification professionnelle ENI (RS2721)

Tarif et financement : nous contacter
Après avoir reçu votre mail, nous vous rappelons pour faire votre bilan personnel afin de vous orienter vers la bonne formation.

Les formations complémentaires

Blockchain

Hyperledger

Ethereum

Mongo DB

Nous contacter

06 75 52 75 80
13 Rue de Bray, 35510 Cesson Sévigné, Rennes Métropole

Bordeaux – Lille – Lyon – Marseille – Montpellier – Nantes – Paris – Reims – Rennes – Strasbourg – Toulouse




Je m'inscris à la newsletterJ'accepte la politique de confidentialité du site