⚠️ Attention, les inscriptions via le bouton "s'inscrire" ne sont pas prises en compte. Inscription via ce lien

​

Scikit-learn, la boîte à outils de l'apprentissage automatique

Vous êtes une PME et vous cherchez à faire augmenter les compétences de vos équipes sur les outils d’apprentissage automatique ? Inria Academy vous propose ce module de formation deeptech sur le logiciel scikit-learn, l’un des logiciels d’apprentissage automatique Open Source le plus utilisé au monde. Cette formation niveau débutant couvrira les notions de base de l’apprentissage automatique et leur réalisation avec scikit-learn. Vous allez étudier comment charger un jeu de données pour l’exposer à scikit-learn, quels sont les types de questions auxquelles l’apprentissage statistique peut répondre, et comment utiliser scikit-learn pour y répondre. Spécifiquement, le module couvrira l’apprentissage supervisé, avec la sélection et la validation des modèles. Vous allez étudier aussi de façon plus détaillée l’assemblage de pipelines de mise en forme de données, et quelques modèles en particulier, tels que les modèles linéaires et les ensembles d’arbres de décision. La formation sera avant tout pratique, axée sur des exemples d’applications avec du code exécuté par les participants. 

💰Tarif adhérent (Minasmart inclus) : 750 € HT 💰 

💰Tarif non adhérent : 930 € HT 💰

• Comprendre les avantages de l’utilisation de l’apprentissage automatique pour une PME avec des cas d’usages issus du monde industriel
• Définir les principes et notions de base de l’apprentissage automatique et les différents types de familles de modèles
• Manipuler scikit-learn avec différents jeux de données
• Comprendre la chaîne de traitement de scikit-learn
• Évaluer et sélectionner les modèles scikit-learn pour une performance optimale en fonction de chaque type de problème

• Notions de base de l’apprentissage automatique supervisé
• Chargement d’un ensemble de données en vue d’une exposition à la méthode scikit-learn et à l’analyse exploratoire des données 
• Entraînement des modèles en utilisant des données numériques 
• Traitement des données catégoriques 
• Créer un pipeline Scikit-Learn pour lier la mise en forme des données et l’apprentissage 
• Évaluation du modèle, incluant la validation croisée
• Choix du modèle en fonction d’hyper paramètres