2. AI / machine learning using advanced libraries
PUBLIC : Dirigeants, salariés, demandeur d’emplois
TYPE DE FORMATION : PRÉSENTIEL
DURÉE : 21h (3 jours)
PRIX : 1690€
PRÉREQUIS : Avoir suivi AI / Machine Learning Using Advanced Libraries (niveau débutant)
CERTIFICATION : Délivrance d’une attestation de formation
CAPACITÉ : 30 Participants
DÉLAIS D’ACCÈS : 24 heures
RÉGRESSION LINÉAIRE
Développez des modèles de régression logistique pour la classification binaire.
RÉGRESSION LINÉAIRE
Implémentez la régression logistique multinomiale pour les prédictions multi-classes.
RÉGRESSION LINÉAIRE
Utilisez la régression logistique, les arbres de décision et les méthodes d’ensembles pour relever divers défis de classification.
1. Objectifs de la formation
Explorer et visualiser les données (Pandas, Seaborn, Matplotlib)
Rebalancer les données et tester des modèles (Logistic Regression, Decision Trees, XGBoost)
Évaluer les performances (accuracy, matrice de confusion)
2. programme détaillé (par jour)
JOUR 1
Exploration des données
Découvrir le dataset, l’analyser et comprendre les variables et la cible pour se familiariser avec les données avant toute analyse avancée.
JOUR 2
Visualisation des données
Explorer visuellement les relations entre les variables et la cible avec des boxplots et des heatmaps pour mieux comprendre les influences et préparer la modélisation.
JOUR 3
Modélisation et classification
Apprendre à rebalancer les données et tester plusieurs modèles (Logistic Regression, Decision Trees, XGBoost) pour classifier avec précision et atteindre des performances élevées.
OBJECTIF PÉDAGOGIQUE
À l’issue de la formation, les participants seront capables de :
• Explorer, nettoyer et préparer des jeux de données.
• Visualiser des données et interpréter les résultats.
• Créer des modèles de régression simples pour faire des prédictions.
• Appliquer des méthodes de base en Machine Learning dans un contexte
professionnel.
COMPÉTENCES VISÉES
• Maîtriser l’exploration, le nettoyage et la visualisation de jeux de données intermédiaires.
• Créer et interpréter des modèles de régression logistique binaire et multinomiale.
• Appliquer Decision Trees et XGBoost pour améliorer la précision sur des datasets complexes.
• Comprendre les concepts de performance et d’évaluation des modèles.
• Capacité à mettre en œuvre des solutions de Machine Learning en contexte professionnel réel.
MODALITÉS PÉDAGOGIQUES
La formation repose sur une pédagogie active et immersive, inspirée des pratiques collaboratives.
• Alternance d’apports théoriques courts et de mises en pratique immédiates.
• Exercices progressifs individuels et en binôme.
• Projets collaboratifs encadrés.
• Retours réguliers de l’équipe pédagogique.
Les contenus sont communs à l’ensemble des participants, avec une adaptation des exemples et des cas pratiques selon les profils professionnels du groupe.
MODALITÉS D’ÉVALUATION ET DE VALIDATION DES ACQUIS
• Évaluation continue à travers les exercices pratiques et notebooks Colab réalisés tout au long de la formation.
• Validation des compétences via un projet complet de création, test et interprétation de modèles
de Machine Learning sur des jeux de données réels.
• Évaluation finale basée sur la capacité à appliquer la régression logistique, Decision Trees et XGBoost, à interpréter les résultats et à atteindre des performances fiables sur des datasets intermédiaires.
• Délivrance d’une attestation de formation et de compétences acquises.
MOYENS D’ENCADREMENT ET DE SUIVI
• Encadrement assuré par une équipe pédagogique référente.
• Suivi de la progression des participants tout au long de la formation.
• Accompagnement individualisé en cas de difficulté.
MOYENS TECHNIQUES
• Salles de formation adaptées au travail collaboratif (open space / amphithéâtre).
• Postes informatiques individuels équipés pour Python et l’analyse de données (Jupyter Notebook, IDE, bibliothèques Pandas, NumPy, Matplotlib, Seaborn, scikit-learn).
• Environnement de développement prêt à l’emploi avec packages Python installés.
• Connexion internet haut débit sécurisée pour l’accès aux datasets et ressources en ligne.
• Supports pédagogiques numériques fournis : slides, notebooks, datasets.
• Espaces de pause favorisant les échanges et la cohésion de groupe.
ADAPTATION AUX BESOINS PROFESSIONNELS
Les compétences acquises permettent une application directe en contexte professionnel, notamment :
- Montée en compétence en analyse de données et Machine Learning intermédiaire, adaptée aux profils techniques et en reconversion.
- Amélioration de la qualité et de la fiabilité des analyses de données dans un environnement professionnel réel.
- Capacité à explorer, nettoyer, visualiser et interpréter des jeux de données intermédiaires, ainsi qu’à créer et appliquer des modèles de régression logistique binaire et multinomiale, Decision Trees et XGBoost pour des prédictions pertinentes.
- Préparation à des missions d’analyse de données, de reporting et de mise en œuvre de modèles de Machine Learning dans des projets d’entreprise complexes.
- Capacité à gérer des datasets déséquilibrés, appliquer des techniques d’augmentation et comparer plusieurs modèles pour améliorer la performance et l’interprétabilité.
ACCESSIBILITÉ AUX PERSONNES EN SITUATION DE HANDICAP
La formation est accessible aux personnes en situation de handicap.
Un référent handicap est disponible pour étudier les besoins d’adaptation spécifiques.
