Logo du collectif de formateurs en Data Science, IA et Cloud
Se connecter
Campuz/Machine Learning

Inscrivez-vous pour recevoir des emails de Campuz.

  • Liste d'attente

Machine Learning

  • Fermé
  • Cours
  • 33 Leçons

La formation de Machine Learning en Python est conçu pour les débutants et les personnes ayant déjà une expérience en programmation en Python. Il fournit une introduction complète aux concepts fondamentaux du Machine Learning ainsi qu'une solide compréhension des algorithmes les plus couramment utilisés.

You're signing up to receive emails from Julien Heiduk.

Introduction Machine Learning

M1 - Introduction

Ce module sert à présenter les formateurs, le parcours et les technologies utilisées à travers la formation.
Slides
Quizz

M2 - Python & Data Science

Le langage Python est l'un des plus répandu à aujourd'hui. Il peut être utilisé dans de nombreux domaines. En ce qui concerne la Data Science et de façon plus global le domaine de l'intelligence artificielle, il est le langage de programmation le plus utilisé.
Objectifs
Slides
Liens & Ressources
Exercices
Quizz

M3 - Data Visualisation

La visualisation de donnée est une étape importante dans un pipeline data. Elle va permettre de mettre en exergue des liens entre données, des incohérences mais aussi vous donner de nouvelles idées afin de la rendre plus exploitable.
Objectifs
Slides
Liens & Ressources
Exercices
Quizz

M4 - Data Cleaning

La donnée utilisée en entreprise comprend de nombreux pièges. Dans cette partie nous allons comment gérer les valeurs manquantes, les valeurs aberrantes ou encore les valeurs extrêmes.
Objectifs
Slides
Exercices Partie 1
Exercices Partie 2
Quizz

M5 - Machine Learning Supervisé partie 1

Le Machine Learning Supervisé se découpe en plusieurs famille de d'algorithmes. Nous allons commencer par étudier les versions provenant directement du monde des statistiques: les modèles linéaires.
Objectifs
Slides
Exercices Partie 1
Exercices Partie 2
Overfitting & Underfitting
Exercice_classification.docx

M6 - Machine Learning Supervisé partie 2

Dans cette partie nous allons étudier les modèles non linéaires ainsi que répondre à la question: Comment créer un pipeline de Machine Learning robuste?. Les concepts tels que l'overfitting, l'underfitting ou encore la cross validation seront abordés.
Objectifs
Slides
Exercices Partie 1
Exercices Partie 2

M7 - Interprétabilité

Le concept de white box est l'un des plus importants en intelligence artificielle. Les utilisateurs veulent comprendre le pourquoi d'une prédiction. Ce qui permet d'avoir une meilleure analyse de l'erreur des modèles mais aussi d'avoir des algorithmes transparents.
Objectifs
Slides
Exercices Partie 1
Exercices Partie 2

M8 - Machine Learning Non Supervisé

Le Machine Learning Non Supervisé est moins répandu dans le monde des entreprises. Cependant il peut permettre de préparer la donnée afin d'utiliser par la suite une approche non supervisé. Nous allons à travers ce module les grandes approches et les algorithmes Non Supervisé.
Slides
Ressources