{"id":13010,"date":"2022-07-12T21:45:20","date_gmt":"2022-07-12T21:45:20","guid":{"rendered":"http:\/\/705consulting.com\/?page_id=13010"},"modified":"2023-02-21T01:26:10","modified_gmt":"2023-02-21T01:26:10","slug":"formation-intelligence-artificielle","status":"publish","type":"page","link":"https:\/\/705consulting.com\/index.php\/formation-intelligence-artificielle\/","title":{"rendered":"FORMATION INTELLIGENCE ARTIFICIELLE"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-page\" data-elementor-id=\"13010\" class=\"elementor elementor-13010\">\n\t\t\t\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-b0d6fb2 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"b0d6fb2\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-aac3e30\" data-id=\"aac3e30\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-c5fbe52 elementor-widget elementor-widget-toggle\" data-id=\"c5fbe52\" data-element_type=\"widget\" data-widget_type=\"toggle.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.7.8 - 02-10-2022 *\/\n.elementor-toggle{text-align:left}.elementor-toggle .elementor-tab-title{font-weight:700;line-height:1;margin:0;padding:15px;border-bottom:1px solid #d4d4d4;cursor:pointer;outline:none}.elementor-toggle .elementor-tab-title .elementor-toggle-icon{display:inline-block;width:1em}.elementor-toggle .elementor-tab-title .elementor-toggle-icon svg{-webkit-margin-start:-5px;margin-inline-start:-5px;width:1em;height:1em}.elementor-toggle .elementor-tab-title .elementor-toggle-icon.elementor-toggle-icon-right{float:right;text-align:right}.elementor-toggle .elementor-tab-title .elementor-toggle-icon.elementor-toggle-icon-left{float:left;text-align:left}.elementor-toggle .elementor-tab-title .elementor-toggle-icon .elementor-toggle-icon-closed{display:block}.elementor-toggle .elementor-tab-title .elementor-toggle-icon .elementor-toggle-icon-opened{display:none}.elementor-toggle .elementor-tab-title.elementor-active{border-bottom:none}.elementor-toggle .elementor-tab-title.elementor-active .elementor-toggle-icon-closed{display:none}.elementor-toggle .elementor-tab-title.elementor-active .elementor-toggle-icon-opened{display:block}.elementor-toggle .elementor-tab-content{padding:15px;border-bottom:1px solid #d4d4d4;display:none}@media (max-width:767px){.elementor-toggle .elementor-tab-title{padding:12px}.elementor-toggle .elementor-tab-content{padding:12px 10px}}.e-container>.elementor-widget-toggle{width:var(--container-widget-width,100%)}<\/style>\t\t<div class=\"elementor-toggle\" role=\"tablist\">\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-2071\" class=\"elementor-tab-title\" data-tab=\"1\" role=\"tab\" aria-controls=\"elementor-tab-content-2071\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><i class=\"fas fa-caret-right\"><\/i><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><i class=\"elementor-toggle-icon-opened fas fa-caret-up\"><\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"\" class=\"elementor-toggle-title\">FORMATION INTELLIGENCE ARTIFICIELLE (IA): CONCEPTS, ENJEUX, TECHNOLOGIES ET STRATEGIES POUR LES ENTREPRISES <\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-2071\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"1\" role=\"tabpanel\" aria-labelledby=\"elementor-tab-title-2071\"><h2>Objectifs de la formation<\/h2><p>Cette formation vise avant tout \u00e0 sensibiliser les participants \u00e0 l\u2019\u00e9volution du march\u00e9 informatique, des m\u00e9tiers et des technologies induites par l\u2019IA dans sa maturit\u00e9 actuelle et \u00e0 venir. Il s\u2019agira pour eux de disposer du vocabulaire, de comprendre les technologies et leurs enjeux afin d\u2019\u00eatre capables de mesurer les apports de l\u2019IA que ce soit au niveau conceptuel ou technique et son impact sur les m\u00e9tiers. Cette formation aura \u00e9galement pour objectif de pr\u00e9parer au mieux les stagiaires \u00e0 analyser les apports potentiels de l\u2019IA dans leurs projets tout en disposant d\u2019\u00e9l\u00e9ments concrets pour sa mise en \u0153uvre et d\u2019un vocabulaire commun.<\/p><h2>\u00c0 qui s&#8217;adresse cette formation ?<\/h2><p><strong>Public :<\/strong><\/p><p>Cette formation Intelligence Artificielle s&#8217;adresse \u00e0 tout acteur des SI d&#8217;entreprises : d\u00e9cideur, DSI, utilisateur m\u00e9tier, chef de projet, architecte, d\u00e9veloppeur&#8230;<\/p><p><strong>Pr\u00e9requis :<\/strong><\/p><p>Culture g\u00e9n\u00e9rale de base en informatique (OS, d\u00e9veloppement, SGBD\u2026).<\/p><h2>\u00a0Contenu du cours<\/h2><ol><li><h3>Les briques technologiques de l&#8217;Intelligence Artificielle (IA)<\/h3><p>D\u00e9monstrations d&#8217;utilisations de l&#8217;IA, classification des technologies<br \/>Le machine-learning et les probl\u00e9matiques auxquels il r\u00e9pond<br \/>Le deep-learning et l&#8217;apprentissage profond, ses applications<br \/>Les frameworks de d\u00e9veloppement, panoramas et comparaison<br \/>Le r\u00f4le strat\u00e9gique des donn\u00e9es, phases de traitement des donn\u00e9es<\/p><h3>Applications g\u00e9n\u00e9riques de l&#8217;IA<\/h3><p>Le domaine de l&#8217;audio : reconaissance, g\u00e9n\u00e9ration<br \/>Traitement du langage naturel : classification, traduction, conversation<br \/>L&#8217;image et la vid\u00e9o : segmentation, suivi, voiture autonome, robotique<\/p><h3>Les applications m\u00e9tier de l&#8217;intelligence artificielle<\/h3><p>Management : aide \u00e0 la d\u00e9cision, d\u00e9tection de KPI<br \/>Marketing et commercial : segmentation client, d\u00e9tection de churn<br \/>Organisation de l&#8217;entreprise, productivit\u00e9<br \/>Services techniques : maintenance pr\u00e9dictive, surveillance d&#8217;infrastructure, cha\u00eene de fabrication, optimisation, consommation<\/p><h3>IA et infrastructure informatique<\/h3><p>IA et Big Data : l&#8217;importance de la donn\u00e9e<br \/>Impacts sur l&#8217;infrastructure requise\u00a0<br \/>Capter la donn\u00e9e<\/p><h3>Les projets IA en entreprise<\/h3><p>Comment s&#8217;organise un projet li\u00e9 \u00e0 l&#8217;IA<br \/>L&#8217;impotance de la gouvernance des donn\u00e9es<br \/>Les nouveaux r\u00f4les de la DSI, les nouvelles comp\u00e9tences<\/p><h3>Les acteurs de l&#8217;IA<\/h3><p>L&#8217;IA d&#8217;aujourd&#8217;hui, entre r\u00e9alit\u00e9 et effet marketing<br \/>Le positionnement des GAFAM, l&#8217;effet de l&#8217;IA sur leur march\u00e9<br \/>Les solutions innovantes les plus marquantes<br \/>Le positionnement de la France<\/p><h3>Impact soci\u00e9tal<\/h3><p>La s\u00e9curit\u00e9 et les impacts sur la vie priv\u00e9e<br \/>La vision europ\u00e9enne de la s\u00e9curit\u00e9 (RGPD)<br \/>Responsabilit\u00e9 et \u00e9thique<br \/>Impact soci\u00e9tal et cohabitation avec l&#8217;IA<\/p><\/li><\/ol><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-2072\" class=\"elementor-tab-title\" data-tab=\"2\" role=\"tab\" aria-controls=\"elementor-tab-content-2072\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><i class=\"fas fa-caret-right\"><\/i><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><i class=\"elementor-toggle-icon-opened fas fa-caret-up\"><\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"\" class=\"elementor-toggle-title\">FORMATION MACHINE LEARNING: TECHNOLOGIES ET BONNES PRATIQUES<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-2072\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"2\" role=\"tabpanel\" aria-labelledby=\"elementor-tab-title-2072\"><h2>Objectifs de la formation<\/h2><p>Cette\u00a0<strong>formation Machine Learning<\/strong>\u00a0vous place en capacit\u00e9 de ma\u00eetriser l&#8217;\u00e9laboration et l&#8217;\u00e9tude des algorithmes permettant \u00e0 des machines d&#8217;apprendre automatiquement \u00e0 partir des donn\u00e9es et \u00e0 effectuer des t\u00e2ches de fa\u00e7on autonome pour mod\u00e9liser des tendances.<\/p><p>\u00c0 l&#8217;issue de cette formation, vous aurez acquis les connaissances et les comp\u00e9tences n\u00e9cessaires pour :<\/p><ul><li>Comprendre les diff\u00e9rences entre apprentissage automatique supervis\u00e9, non supervis\u00e9 et m\u00e9ta-apprentissage<\/li><li>Savoir transformer un gros volume de donn\u00e9es \u00e0 priori h\u00e9t\u00e9rog\u00e8nes en informations utiles<\/li><li>Ma\u00eetriser l&#8217;utilisation d&#8217;algorithmes d&#8217;auto-apprentissage adapt\u00e9s \u00e0 une solution d&#8217;analyse<\/li><li>Comprendre comment exploiter de gros volumes de donn\u00e9es textuelles<\/li><li>\u00catre capable d&#8217;appliquer ces diff\u00e9rentes techniques aux projets Big Data<\/li><\/ul><h2>\u00c0 qui s&#8217;adresse cette formation ?<\/h2><p><strong>\u00a0Public :<\/strong><\/p><p>Ce cours Machine Learning s&#8217;adresse \u00e0 toute personne ayant des bases en d\u00e9veloppement et souhaitant en acqu\u00e9rir en Data Science, notamment pour :<\/p><ul><li>Pouvoir travailler avec des Data Scientits et mieux comprendre leur m\u00e9tier, leurs probl\u00e9matiques et leurs besoins (d\u00e9veloppeur, architecte&#8230;)<\/li><li>Pouvoir accompagner un projet Data Science avec une certaine compr\u00e9hension technique<\/li><li>\u00c9tendre sa bo\u00eete \u00e0 outils (data miner, analyste, statisticien&#8230;)<\/li><li>Envisager une reconversion professionnelle<\/li><\/ul><p><strong>Pr\u00e9requis :<\/strong><\/p><p>Pour suivre cette formation Machine Learning, il est n\u00e9cessaire de conna\u00eetre l&#8217;utilit\u00e9 du Data Mining et les probl\u00e9matiques du Big Data dans le ciblage \u00e9conomique.<\/p><h2>\u00a0Contenu du cours<\/h2><ol><li><h3>L&#8217;apprentissage machine (Introduction)<\/h3><p>Introduction<br \/>Champs de comp\u00e9tences<br \/>Focus Data Science (Data Mining)<br \/>Focus Machine Learning<br \/>Focus Big Data<br \/>Focus Deep Learning<br \/>D\u00e9finition de l&#8217;apprentissage machine<br \/>Exemples de t\u00e2ches du machine Learning<br \/>Que peuvent apprendre les machines<br \/>Les diff\u00e9rents modes d&#8217;entra\u00eenement<\/p><h3>Les fondamentaux de l&#8217;apprentissage machine<\/h3><p><strong>Pr\u00e9ambule<\/strong>Un probl\u00e8me d&#8217;optimisation<br \/>Qu\u00eate de la capacit\u00e9 optimale du mod\u00e8le<br \/>Relation capacit\u00e9 et erreurs<br \/>Un apport philosophique<br \/>Cadre statistique<br \/>Anatomie d&#8217;un mod\u00e8le d&#8217;apprentissage machine<strong>Jeux de donn\u00e9es d&#8217;entra\u00eenement<\/strong>Cadre statistique<br \/>Les variables pr\u00e9dictives<br \/>Cha\u00eene de traitement des variables pr\u00e9dictives<br \/>Les variables \u00e0 pr\u00e9dire<strong>Fonctions hypoth\u00e8ses<\/strong>Principe : jeux de fonctions hypoth\u00e8ses<br \/>Contexte de s\u00e9lection des fonctions hypoth\u00e8ses<br \/>Caract\u00e9ristiques des fonctions hypoth\u00e8ses<br \/>Mod\u00e8les probabilistes Fr\u00e9quentistes et Bay\u00e9siens<strong>Fonctions de co\u00fbts<\/strong>Les estimateurs<br \/>Principe du maximum de vraisemblance (MLE*)<br \/>MAP (Maximum A Posteriori)<br \/>Le biais d&#8217;un estimateur<br \/>La variance d&#8217;un estimateur<br \/>Le compromis biais &#8211; variance<br \/>Les fonctions de co\u00fbts<br \/>La r\u00e9gularisation des param\u00e8tres<strong>Algorithmes d&#8217;optimisations<\/strong>Les grandes classes d&#8217;algorithmes d&#8217;optimisation<br \/>La descente de gradient (1er ordre)<br \/>Descente de gradient (d\u00e9tails)<br \/>Les approches de Newton (2nd ordre)<br \/>Optimisation batch et stochastique<br \/>Pour aller plus loin<strong><em>Travaux pratiques<\/em><\/strong><em>Mise en oeuvre de l&#8217;environnement de travail machine Learning<\/em><\/p><h3>La classification<\/h3><p><strong>Introduction<\/strong>Choisir un algorithme de classification<strong>La r\u00e9gression logistique<\/strong>Du Perceptron \u00e0 la r\u00e9gression logistique<br \/>Hypoth\u00e8ses du mod\u00e8le<br \/>Apprentissage des poids du mod\u00e8le<br \/>Exemple d&#8217;impl\u00e9mentation : scikit-learn<br \/>R\u00e9gression logistique<br \/>Fiche Synth\u00e8se<strong>SVM<\/strong>Classification \u00e0 marge maximum<br \/>La notion de marge souple (soft margin)<br \/>Les machines \u00e0 noyau (kernel machines)<br \/>L&#8217;astuce du noyau (kernel trick)<br \/>Les fonctions noyaux<br \/>SVM &#8211; Maths &#8211; SVM<br \/>Fiche Synth\u00e8se<strong>Arbres de d\u00e9cision<\/strong>Principe de base<br \/>Fonctionnement<br \/>Maximisation du Gain Informationnel<br \/>Mesure d&#8217;impuret\u00e9 d&#8217;un noeud<br \/>Exemple d&#8217;impl\u00e9mentation : scikit-learn<br \/>Arbres de d\u00e9cision<br \/>Fiche Synth\u00e8se<strong>K plus proches voisins (kNN)<\/strong>L&#8217;apprentissage \u00e0 base d&#8217;exemples<br \/>Principe de fonctionnement<br \/>Avantages et d\u00e9savantages<br \/>kNN &#8211; Fiche synth\u00e8se<strong>Synth\u00e8se<\/strong><strong><em>Travaux pratiques<\/em><\/strong><em>Exp\u00e9rimentation des algorithmes de classification sur cas concrets<\/em><\/p><h3>Les pratiques<\/h3><p><strong>Pr\u00e9traitement<\/strong>Gestion des donn\u00e9es manquantes<br \/>Transformateurs et estimateurs<br \/>Le traitement des donn\u00e9es cat\u00e9gorielles<br \/>Le partitionnement des jeux de donn\u00e9es<br \/>Mise \u00e0 l&#8217;\u00e9chelle des donn\u00e9es<strong>Ing\u00e9nierie des variables pr\u00e9dictives (Feature Engineering)<\/strong>S\u00e9lection des variables pr\u00e9dictives<br \/>S\u00e9lection induite par r\u00e9gularisation L1<br \/>S\u00e9lection s\u00e9quentielle des variables<br \/>D\u00e9terminer l&#8217;importance des variables<br \/>R\u00e9duction dimensionnelle par Compression des donn\u00e9es<br \/>L&#8217;extraction de variables pr\u00e9dictives<br \/>Analyse en composante principale (ACP)<br \/>Analyse lin\u00e9aire discriminante (ADL) &#8211; l&#8217;ACP \u00e0 noyau (KPCA)<strong>R\u00e9glages des hyper-param\u00e8tres et \u00e9valuation des mod\u00e8les<\/strong>Bonnes pratiques<br \/>La notion de Pipeline<br \/>La validation crois\u00e9e (cross validation)<br \/>Courbes d&#8217;apprentissage<br \/>Courbes de validation<br \/>La recherche par grille (grid search)<br \/>Validation crois\u00e9e imbriqu\u00e9e (grid searchcv)<br \/>M\u00e9triques de performance<strong>Synth\u00e8se<\/strong><strong><em>Travaux pratiques<\/em><\/strong><em>Exp\u00e9rimentation des pratiques du machine learning sur cas concrets<\/em><\/p><h3>L&#8217;apprentissage d&#8217;ensembles (ensemble learning)<\/h3><p>Introduction<br \/>L&#8217;approche par vote<br \/>Une variante : l&#8217;empilement (stacking)<br \/>Le bagging<br \/>Les for\u00eats al\u00e9atoires<br \/>Le boosting<br \/>La variante Adaboost<br \/>Gradient Boosting<br \/>Fiches synth\u00e8ses<strong><em>Travaux pratiques<\/em><\/strong><em>L&#8217;apprentissage d&#8217;ensemble sur un cas concret<\/em><\/p><h3>La r\u00e9gression<\/h3><p>R\u00e9gression lin\u00e9aire simple<br \/>R\u00e9gression lin\u00e9aire multi-vari\u00e9e<br \/>Relations entre les variables<br \/>Valeurs aberrantes (RANSAC)<br \/>\u00c9valuation de la performance des mod\u00e8les de r\u00e9gression<br \/>La r\u00e9gularisation des mod\u00e8les de r\u00e9gression lin\u00e9aire<br \/>R\u00e9gression polynomiale<br \/>La r\u00e9gression avec les for\u00eats al\u00e9atoires<br \/>Synth\u00e8se<strong><em>Travaux pratiques<\/em><\/strong><em>La r\u00e9gression sur un cas concret<\/em><\/p><h3>Le clustering<\/h3><p>Introduction<br \/>Le regroupement d&#8217;objets par similarit\u00e9 avec les k-moyens (k-means)<br \/>k-means : algorithme<br \/>L&#8217;inertie d&#8217;un cluster<br \/>Variante k-means ++<br \/>Le clustering flou<br \/>Trouver le nombre optimal de clusters avec la m\u00e9thode Elbow<br \/>Appr\u00e9hender la qualit\u00e9 des clusters avec la m\u00e9thode des silhouettes<br \/>Le clustering hi\u00e9rarchique<br \/>Le clustering par mesure de densit\u00e9 DBSCAN<br \/>Autres approches du Clustering<br \/>Synth\u00e8se<strong><em>Travaux pratiques<\/em><\/strong><em>Le clustering sur un cas concret<\/em><\/p><\/li><\/ol><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-2073\" class=\"elementor-tab-title\" data-tab=\"3\" role=\"tab\" aria-controls=\"elementor-tab-content-2073\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><i class=\"fas fa-caret-right\"><\/i><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><i class=\"elementor-toggle-icon-opened fas fa-caret-up\"><\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"\" class=\"elementor-toggle-title\">FORMATION MACHINE LEARNING AVEC ELASTIC STACKFORMATION MACHINE LEARNING AVEC ELASTIC STACK<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-2073\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"3\" role=\"tabpanel\" aria-labelledby=\"elementor-tab-title-2073\"><h2>Objectifs de la formation<\/h2><p>Cette\u00a0<strong>formation Machine Learning avec Elastic Stack<\/strong>\u00a0passe en revue les fonctionnalit\u00e9s de Machine Learning d&#8217;Elastic Stack et, au travers d\u2019ateliers, elle d\u00e9montre l\u2019efficacit\u00e9 du machine learning appliqu\u00e9 \u00e0 la surveillance d\u2019infrastructures SI.\u00a0\u00a0<\/p><p><br \/><br \/><\/p><p>\u00c0 l&#8217;issue de cette formation, vous aurez acquis les connaissances et les comp\u00e9tences n\u00e9cessaires pour :<\/p><ul><li>Installer Elastic Stack pour utiliser le machine learning<\/li><li>Comprendre comment d\u00e9tecter des anomalies avec les fonctionnalit\u00e9s de Machine Learning d&#8217;Elastic Stack<\/li><li>Appliquer la d\u00e9tection d\u2019anomalie pour la surveillance et la s\u00e9curit\u00e9 des syst\u00e8mes d&#8217;information<\/li><li>Visualiser les r\u00e9sultats dans des tableaux de bord, des vues personnali\u00e9ses, utiliser les alertes.<\/li><\/ul><h2>\u00c0 qui s&#8217;adresse cette formation ?<\/h2><p><strong>Public :<\/strong><\/p><p>Cette formation Machine Learning Elastic Stack s&#8217;adresse \u00e0 toute personne souhaitant appliquer le machine learning \u00e0 des probl\u00e9matiques de gestion d\u2019infrastructure et de s\u00e9curit\u00e9.<\/p><p><strong>Pr\u00e9requis :<\/strong><\/p><p>Une premi\u00e8re exp\u00e9rience avec Elastic Stack est n\u00e9cesaire pour cette formation sur la fonctionnalit\u00e9 Machine Learning.<\/p><h2>\u00a0Contenu du cours<\/h2><ol><li><p>G\u00e9rer les erreurs<\/p><h3>Introduction \u00e0 Elastic Machine Learning<\/h3><p>Big Data et Machine Learning<br \/>Machine Learning appliqu\u00e9 \u00e0 l\u2019IT<br \/>Historique de Elastic Machine Learning (Elastic ML)<br \/>Concepts\u00a0: Jobs, Noeuds ML, Bucket, Alimentation en donn\u00e9es<br \/>Index ELS utilis\u00e9, D\u00e9tails d\u2019un job, les diff\u00e9rents types de jobs<br \/>Installation<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>Installation d&#8217;Elastic Stack et mise en place des fonctionnalit\u00e9s Machine Learning<\/em><\/p><h3>D\u00e9tection de changement<\/h3><p>D\u00e9finition du taux d\u2019occurrence normal,\u00a0Les diff\u00e9rentes fonctions de comptage<br \/>D\u00e9finition de la raret\u00e9<br \/>Cat\u00e9gorisation des \u00e9v\u00e8nements\u00a0<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>Anomalie de d\u00e9compte, d\u00e9tection de message rare dans des fichiers de logs<\/em><\/p><h3>Analyse de cause<\/h3><p>Importance et limitation des KPI<br \/>Segmentation et enrichissement des donn\u00e9es<br \/>Scinder les analyses, d\u00e9tecter les influenceurs<br \/>Corr\u00e9lation visuelle, Utilisation de l\u2019explorateur d\u2019anomalie<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>Identification d\u2019un process fautif dans des donn\u00e9es fournies par packetbeat<\/em><\/p><h3>Analyse de la s\u00e9curit\u00e9<\/h3><p>Indicateur de compromission<br \/>Volume et disparit\u00e9 des donn\u00e9es, g\u00e9om\u00e9trie des attaques<br \/>Enrichissement avec logstash<br \/>Investigation et analyse\u00a0<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>D\u00e9tection d\u2019une exfiltration DNS<\/em><em>\u00a0<\/em><\/p><h3>Gestion des alertes<\/h3><p>Alertes automatiques, configuration<br \/>Cr\u00e9ation d&#8217;alerte manuelle\u00a0<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>Configuration des seuils d\u2019une alerte<\/em><em>\u00a0<\/em><\/p><h3>Kibana Dashboard et Canvas<\/h3><p>Options de visualisation dans Kibana, Timelion<br \/>Donn\u00e9es Machine Learning en TimeSeries, Timelion<br \/>Correlation HeatMap<br \/>Utilisation de Canvas et Slides<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>Utilisation de Timelion, HeatMap, Canvas<\/em><em>\u00a0<\/em><\/p><h3>Pr\u00e9visions<\/h3><p>Pr\u00e9vision temporelle ou valeur, incertitude<br \/>Forecast API<br \/>S\u00e9rie temporelle unique<br \/>S\u00e9rie temporelle multiple<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>Mise en place d&#8217;alertes sur donn\u00e9es pr\u00e9visionnelles<\/em><\/p><\/li><\/ol><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-2074\" class=\"elementor-tab-title\" data-tab=\"4\" role=\"tab\" aria-controls=\"elementor-tab-content-2074\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><i class=\"fas fa-caret-right\"><\/i><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><i class=\"elementor-toggle-icon-opened fas fa-caret-up\"><\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"\" class=\"elementor-toggle-title\">FORMATION AZURE MACHINE LEARNING: DEVELOPPER ET EXPLOITER DES ALGORITHMES<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-2074\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"4\" role=\"tabpanel\" aria-labelledby=\"elementor-tab-title-2074\"><h2>Objectifs de la formation<\/h2><p><strong>Azure Machine Learning<\/strong>\u00a0est un service de l\u2019offre cloud Microsoft Azure pour la cr\u00e9ation et le d\u00e9ploiement de mod\u00e8les d\u2019apprentissage automatique ou Machine Learning \u00e0 destination des \u00e9quipes de science des donn\u00e9es.<\/p><p>Il permet de cr\u00e9er, tester, g\u00e9rer, d\u00e9ployer et surveiller ces mod\u00e8les via une interface no code ou des scripts Python ou R.<\/p><p>\u00c0 l&#8217;issue de cette formation, vous aurez acquis les connaissances et les comp\u00e9tences n\u00e9cessaires pour :<\/p><ul><li>Utiliser l&#8217;espace de travail Azure machine learning<\/li><li>Conna\u00eetre les \u00e9tapes d&#8217;un projet de machine learning<\/li><li>D\u00e9couvrir les crit\u00e8res d&#8217;\u00e9valuation des algorithmes<\/li><\/ul><p>Savoir d\u00e9ployer un web service pr\u00e9dictif<\/p><h2>\u00c0 qui s&#8217;adresse cette formation ?<\/h2><p><strong>Public :<\/strong><\/p><p>Ce cours Azure Machine Learning s&#8217;adresse principalement aux data scientist, architectes applicatifs ou d\u00e9veloppeurs charg\u00e9s de la pr\u00e9paration et du d\u00e9ploiement de mod\u00e8les de machine learning.<\/p><p><strong>Pr\u00e9requis :<\/strong><\/p><p>Pour suivre cette formation Azure Machine Learning, il est n\u00e9cessaire d&#8217;avoir certaines connaissances de base en statistiques (centrage, dispersion, corr\u00e9lation, tests d&#8217;hypoth\u00e8ses) et de disposer d&#8217;une compr\u00e9hension globale de la data science.<\/p><h2>\u00a0Contenu du cours<\/h2><ol><li><h3>D\u00e9couverte de Azure Machine Learning<\/h3><p>Pr\u00e9sentation des caract\u00e9ristiques du cloud<br \/>Pr\u00e9sentation de l&#8217;offre Azure<br \/>Pr\u00e9sentation des services IA de Azure<br \/>Consid\u00e9rations de facturation<br \/>Pr\u00e9sentation de l&#8217;espace de travail Azure Machine Learning Studio<br \/>Cr\u00e9er et utiliser un dataset<br \/>Construire une exp\u00e9rience \u00e0 l&#8217;aide d&#8217;un pipeline.<br \/>D\u00e9ployer un Web Service pr\u00e9dictif<\/p><p><strong><em>Travaux pratiques<\/em><\/strong><\/p><p><em>D\u00e9ploiement de l&#8217;environnement<\/em><em><br \/>Cr\u00e9ation d&#8217;une exp\u00e9rience de Machine Learning et d\u00e9ploiement d&#8217;un Web service<\/em><\/p><h3>Pr\u00e9paration des jeux de donn\u00e9es<\/h3><p>Pr\u00e9sentation des grandes \u00e9tapes d&#8217;un projet de machine learning<br \/>D\u00e9tecter les valeurs aberrantes<br \/>Choisir les variables de l&#8217;algorithme<br \/>D\u00e9terminer la configuration des jeux de test<\/p><p><strong><em>Travaux pratiques<\/em><\/strong><\/p><p><em>Mise en place des modules de nettoyage des donn\u00e9es<\/em><\/p><h3>\u00c9valuation des grandes cat\u00e9gories d&#8217;algorithmes<\/h3><p>Pr\u00e9sentation des cat\u00e9gories d&#8217;algorithmes<br \/>Algorithmes de r\u00e9gression<br \/>Algorithmes de clustering<br \/>Algorithmes de classification<br \/>Pr\u00e9sentation des crit\u00e8res de performances selon les cat\u00e9gories<br \/>Param\u00e9trage des algorithmes<br \/>Mise en place d&#8217;une machine learning automatis\u00e9<\/p><p><strong><em>Travaux pratiques<\/em><\/strong><\/p><p><em>D\u00e9ployer et comparer plusieurs algorithmes de Machine learning<\/em><\/p><h3>Fonctionnalit\u00e9s avanc\u00e9es<\/h3><p>Impl\u00e9mentation des modules R et Python<br \/>Optimisation automatique des algorithmes<br \/>\u00c9tiquetage du texte et des images<br \/>Traitement des images<\/p><p><strong><em>Travaux pratiques<\/em><\/strong><\/p><p><em>Impl\u00e9menter un algorithme de d\u00e9tection de fraude et optimiser son efficacit\u00e9<\/em><em><br \/>\u00c9tiquetage et classification d\u2019image<\/em><\/p><h3>Notebooks Jupyter<\/h3><p>Pr\u00e9sentation des notebooks Jupyter<br \/>Int\u00e9gration dans Azure Machine Learning<\/p><p><strong><em>Travaux pratiques<\/em><\/strong><\/p><h3><em>Utilisation des Notebooks avec Python<\/em><em><br \/>Classification d\u2019image \u00e0 l\u2019aide d\u2019un notebook Jupyter<\/em><\/h3><\/li><\/ol><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-2075\" class=\"elementor-tab-title\" data-tab=\"5\" role=\"tab\" aria-controls=\"elementor-tab-content-2075\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><i class=\"fas fa-caret-right\"><\/i><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><i class=\"elementor-toggle-icon-opened fas fa-caret-up\"><\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"\" class=\"elementor-toggle-title\">FORMATION MACHINE LEARNING ET DATA SCIENCE: DEPLOYER, MONITORER ET G\u00c9RER DES MOD\u00c8LES EN PRODUCTION<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-2075\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"5\" role=\"tabpanel\" aria-labelledby=\"elementor-tab-title-2075\"><h2>Objectifs de la formation<\/h2><p>Cette\u00a0<strong>formation Machine Learning et Data Science : d\u00e9ployer, monitorer et g\u00e9rer des mod\u00e8les en production<\/strong>\u00a0a pour objectif de vous d\u00e9montrer en quoi le d\u00e9ploiement de mod\u00e8les en production constitue une \u00e9tape cruciale, et par extension, en quoi sa n\u00e9gligence est \u00e0 l&#8217;origine de l&#8217;\u00e9chec de bon nombre de projets Big Data.<\/p><p>\u00c0 l&#8217;issue de cette formation, vous aurez acquis les connaissances et les comp\u00e9tences n\u00e9cessaires pour :<\/p><ul><li>D\u00e9finir les pr\u00e9-requis, une mise en production ainsi que le monitoring des mod\u00e8les pour un d\u00e9ploiement d\u00e8s la phase de cadrage du projet data<\/li><li>Choisir les outils et les technologies adapt\u00e9s \u00e0 votre environnement IT et aux contraintes du projet (comp\u00e9tences techniques, budget, maintenabilit\u00e9) gr\u00e2ce \u00e0 un aper\u00e7u des principaux outils<\/li><li>D\u00e9ployer des mod\u00e8les de data science et de machine learning en production<\/li><li>Mettre en place le monitoring des mod\u00e8les<\/li><li>Entra\u00eener les mod\u00e8les de fa\u00e7on continue (retrain, re-scores, re-validates)<\/li><li>Mesurer le drift des mod\u00e8les (automated model checking)<\/li><li>Remplacer l&#8217;ancien mod\u00e8le en production par le nouveau mod\u00e8le am\u00e9lior\u00e9<\/li><li>Savoir mettre en place l&#8217;int\u00e9gration continue<\/li><\/ul><h2>\u00c0 qui s&#8217;adresse cette formation ?<\/h2><p><strong>Public :<\/strong><\/p><p>Ce cours D\u00e9ploiement Machine Learning &amp; Data Science cible principalement les d\u00e9veloppeurs, les ing\u00e9nieurs machine learning, les data scientists, les data ops et les data engineers.<\/p><p><strong>Pr\u00e9requis :<\/strong><\/p><p>Pour suivre cette formation D\u00e9ploiement Machine Learning &amp; Data Science dans des conditions optimales, il est important d&#8217;avoir des notions sur le cloud, ainsi que des connaissances de base en Data Science \/ Machine Learning : statistiques, algorithmie. Il est \u00e9galement n\u00e9cessaire d&#8217;avoir des connaissances basiques en Linux \/ r\u00e9seau \/ Python \/ bash.<\/p><h2>\u00a0Contenu du cours<\/h2><ol><li><h3>Introduction et rappels<\/h3><p>Les objectifs du machine learning : r\u00e9soudre un probl\u00e8me<br \/>Rappels de l&#8217;\u00e9cosyst\u00e8me Data Science : langages, outils et pratiques<br \/>Les raisons des \u00e9checs des passages en production<br \/>Les principales difficult\u00e9s rencontr\u00e9es pour la mise en production de mod\u00e8les<\/p><h3>\u00c9tat de l&#8217;art de l&#8217;organisation des projets de Data Science<\/h3><p>Qui d\u00e9ploie les mod\u00e8les et comment ?<br \/>Les diff\u00e9rents r\u00f4les : le data scientist, le data engineer, le data ops<br \/>Les limites \u00e0 cette organisation sur la r\u00e9ussite des projets data<\/p><h3>\u00c9tat de l&#8217;art des solutions logiciels de d\u00e9ploiement de mod\u00e8les de Machine Learning<\/h3><p>\u00c9tat de l&#8217;art : des d\u00e9ploiements sans outillage<br \/>Limites techniques et co\u00fbts \u00e9lev\u00e9s<br \/>Maintenabilit\u00e9 complexe<br \/>Un exemple avec Tensorflow, PyTorch, scikit-learn, Python, Java<br \/>Un exemple dans le Cloud (AWS, GCP, Azure)<\/p><h3>Les bonnes pratiques li\u00e9es aux m\u00e9tiers afin de r\u00e9duire les risques d&#8217;\u00e9chec<\/h3><p>Des crit\u00e8res d&#8217;acceptabilit\u00e9 (user acceptance) obligatoires par le m\u00e9tier : le premier pr\u00e9-requis<br \/>Des moyens de tester les algorithmes avec les m\u00e9tiers tous les deux jours<br \/>Une communication permanente entre data scientist, data ops, IT, m\u00e9tiers&#8230;<br \/>Identifier les donn\u00e9es requises et leurs disponibilit\u00e9s<\/p><h3>Des solutions techniques pour faciliter et am\u00e9liorer les d\u00e9ploiements<\/h3><p>De nouveaux outils et logiciels : TFX, Mlfow, Kubeflow, Cloudera Data Science Workbench, Dataiku<br \/>De nouvelles comp\u00e9tences : l&#8217;ing\u00e9nieur machine learning, le data ops<br \/>L&#8217;importance du choix d&#8217;un framework sur la continuit\u00e9, la maintenabilit\u00e9 et l&#8217;utilisation d&#8217;un mod\u00e8le<\/p><p><strong><em>Travaux Pratiques<\/em><\/strong><\/p><p><em>D\u00e9ploiement d&#8217;un mod\u00e8le dans GCP<\/em><\/p><h3>Nouveaux m\u00e9tiers et profils : de nouvelles comp\u00e9tences<\/h3><p>L&#8217;ing\u00e9nieur machine learning<br \/>Le data ops<\/p><p><strong><em>Travaux Pratiques<\/em><\/strong><\/p><p><em>Jeu de r\u00f4le Agile : dans la peau du repr\u00e9sentant m\u00e9tier<\/em><\/p><h3>Le choix des outils<\/h3><p>\u00c9tat de l&#8217;art des outils \/ frameworks utilis\u00e9s par les grandes soci\u00e9t\u00e9s (CAC40, grandes startups, GAFAM)<br \/>Comment choisir un framework de Machine Learning ou de Data Science<br \/>Impacts sur les co\u00fbts des projets<br \/>Estimer le co\u00fbt des outils (in)existants sur le projet<br \/>Estimer le co\u00fbtdes outils de collaboration, de d\u00e9ploiement, de monitoring, etc.sur les projets data<\/p><p><strong><em>Travaux Pratiques<\/em><\/strong><\/p><p><em>Simulations et retours d&#8217;exp\u00e9rience<\/em><\/p><h3>Les crit\u00e8res d&#8217;un bon mod\u00e8le pour la production<\/h3><p>Portabilit\u00e9 du mod\u00e8le<br \/>Scalabilit\u00e9<br \/>Utilisabilit\u00e9 par les applications m\u00e9tiers<br \/>Testabilit\u00e9<\/p><h3>Les diff\u00e9rents formats des mod\u00e8les<\/h3><p>Pickle<br \/>ONNX<br \/>PMML<br \/>POJO &amp; MOJO<\/p><h3>D\u00e9ployer en production<\/h3><p>Entra\u00eener le mod\u00e8le en production : batch training, real time training<br \/>Batch vs real-time prediction : impacts sur les performances, les \u00e9valuations, les infrastructures et les co\u00fbts<br \/>Monitorer et mesurer les \u00e9carts en production<br \/>Entra\u00eener de fa\u00e7on continue les mod\u00e8les (retrain, re-score, re-validate)<br \/>Mesurer le drift des mod\u00e8les (automated model checking)<br \/>Remplacer l&#8217;ancien mod\u00e8le en production par le nouveau mod\u00e8le am\u00e9lior\u00e9<\/p><p><strong><em>Travaux Pratiques<\/em><\/strong><\/p><p><em>R\u00e9alisation d&#8217;un mod\u00e8le de Machine learning<\/em><em><br \/>D\u00e9ploiement en production<br \/>Monitoring<\/em><\/p><h3>Mesurer la r\u00e9ussite d&#8217;un d\u00e9ploiement en production<\/h3><p>Comment mesurer la r\u00e9ussite d&#8217;un d\u00e9ploiement ?<br \/>La mesure de la r\u00e9ussite des d\u00e9ploiements en CI sur un projet data<br \/>Les m\u00e9triques<\/p><\/li><\/ol><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-2076\" class=\"elementor-tab-title\" data-tab=\"6\" role=\"tab\" aria-controls=\"elementor-tab-content-2076\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><i class=\"fas fa-caret-right\"><\/i><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><i class=\"elementor-toggle-icon-opened fas fa-caret-up\"><\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"\" class=\"elementor-toggle-title\">FORMATION RECONNAISSANCE D\u2019IMAGE \u00c0 L\u2019AIDE DE L\u2019INTELLINGENCE ARTIFICIELLE <\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-2076\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"6\" role=\"tabpanel\" aria-labelledby=\"elementor-tab-title-2076\"><h2>Objectifs de la formation<\/h2><p>Cette\u00a0<strong>formation Reconnaissance d&#8217;image Intelligence Artificielle<\/strong>\u00a0examine aussi bien l\u2019angle technique que l\u2019angle \u00e9conomique et m\u00e9tier afin de vous pr\u00e9parer \u00e0 prendre des d\u00e9cisions avis\u00e9es sur vos projets de Computer Vision. De cette mani\u00e8re, elle vous permettra d&#8217;\u00eatre proche des acteurs op\u00e9rationnels (d\u00e9veloppeurs, data analyste, etc.) pour les mener en production.<\/p><p>\u00a0<\/p><p>\u00c0 l&#8217;issue de cette\u00a0<strong>formation Talend &#8211; Data Integration Avanc\u00e9<\/strong>, vous aurez acquis les connaissances et comp\u00e9tences n\u00e9cessaires pour :<\/p><ul><li>Comprendre les fondamentaux techniques de l\u2019IA, ses concepts et son vocabulaire<\/li><li>Comprendre les techniques et technologies de l\u2019IA utilis\u00e9es pour la reconnaissance d\u2019image (OpenCV et DeepLearning)<\/li><li>Savoir identifier les briques techniques existantes (algorithme, solution Cloud, etc.) et ce qu\u2019il reste \u00e0 produire dans un projet<\/li><li>Identifier les comp\u00e9tences m\u00e9tiers n\u00e9cessaires<\/li><li>Savoir \u00e9valuer les co\u00fbts d\u2019un projet Computer Vision et le ROI<\/li><li>Valider les concepts, les technologies et la dimension projet \u00e0 travers un cas concret<\/li><\/ul><h2>\u00c0 qui s&#8217;adresse cette formation ?<\/h2><p><strong>Public :<\/strong><\/p><p>Ce cours Computer Vision s&#8217;adresse aux DSI, Chief Digital Officer, Chief Data Officer, Chief Innovation Officer, Chief Information Officer, Directeurs de PME, Responsables de la qualit\u00e9 et Ing\u00e9nieurs m\u00e9thodes process.<\/p><p><strong>Pr\u00e9requis :<\/strong><\/p><p>Aucun<\/p><h2>\u00a0Contenu du cours<\/h2><ol><li><h3>Introduction \u00e0 la Computer Vision et technologies associ\u00e9es<\/h3><p>Les usages les plus fr\u00e9quents<br \/>Introduction aux technologies Machine Learning \/ Deep Learning<br \/>Diff\u00e9rents modes de repr\u00e9sentation d\u2019une image<br \/>Probl\u00e9matiques sp\u00e9cifiques \u00e0 la reconnaissance d\u2019image<br \/>Technologies IA utilis\u00e9es pour la reconnaissance d\u2019image : diff\u00e9rence entre OpenCV et les techniques de Deep Learning<\/p><h3>Le march\u00e9 de la Computer Vision<\/h3><p>La pluralit\u00e9 des offres sur le march\u00e9<br \/>Les caract\u00e9ristiques<br \/>Alternative solution sur mesure propri\u00e9taire \/ licence \u00e0 l&#8217;ann\u00e9e pour l&#8217;utilisation d&#8217;une plateforme<br \/>Conseils et retours d\u2019exp\u00e9rience<\/p><h3>Structurer un projet de Computer Vision<\/h3><p>Quel mod\u00e8le retenir pour mon projet ?<br \/>Par o\u00f9 commencer ?<br \/>Savoir \u00e9valuer la maturit\u00e9 de son projet pour en \u00e9valuer le co\u00fbt<br \/>\u00c9valuer le retour sur investissement (ROI)<\/p><h3>Les \u00e9tapes classiques d\u2019un projet de Computer Vision<\/h3><p>Cr\u00e9ation du Dataset<br \/>Proof of Concept : validation de la faisabilit\u00e9 technique et mise \u00e0 disposition d\u2019un algorithme entrain\u00e9 sur un dataset r\u00e9duit<br \/>Pilote : entra\u00eenements et am\u00e9liorations de l\u2019algorithme dans les conditions r\u00e9elles<br \/>Scale \/ Industrialisation : d\u00e9ploiement \u00e0 grande \u00e9chelle de l\u2019algorithme<br \/>Le pilotage du projet (tableau de bord)<br \/>Pi\u00e8ges classiques \u00e0 \u00e9viter<\/p><\/li><\/ol><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-2077\" class=\"elementor-tab-title\" data-tab=\"7\" role=\"tab\" aria-controls=\"elementor-tab-content-2077\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><i class=\"fas fa-caret-right\"><\/i><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><i class=\"elementor-toggle-icon-opened fas fa-caret-up\"><\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"\" class=\"elementor-toggle-title\">FORMATION DEEP LEARNING: COMPRENDRE LE DEEP LEARNING AVEC TENSORFLOW<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-2077\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"7\" role=\"tabpanel\" aria-labelledby=\"elementor-tab-title-2077\"><h2>Objectifs de la formation<\/h2><p>L&#8217;objectif de cette\u00a0<strong>formation Deep Learning<\/strong>, ax\u00e9e sur la pratique, est d&#8217;acqu\u00e9rir une compr\u00e9hension d\u00e9taill\u00e9e des principales architectures de r\u00e9seaux de neurones au travers de travaux pratiques r\u00e9alis\u00e9s sur l&#8217;un des frameworks de r\u00e9f\u00e9rence, TensorFlow.<\/p><p>\u00c0 l&#8217;issue de cette<strong>\u00a0<\/strong><strong>formation Business Objects BI 4<\/strong>, vous aurez acquis les connaissances et les comp\u00e9tences n\u00e9cessaires pour :<\/p><ul><li>Maitriser les concepts fondamentaux du Deep learning<\/li><li>Utiliser un framework de r\u00e9f\u00e9rence : TensorFlow<\/li><li>Mettre en \u0153uvre les principaux algorithmes<\/li><li>D\u00e9ployer vos solutions en production<\/li><\/ul><h2>\u00c0 qui s&#8217;adresse cette formation ?<\/h2><p><strong>Public :<\/strong><\/p><p>Cette formation Deep Learning cible principalement les Data Scientists, Machine Learning Engineers ou les d\u00e9veloppeurs ayant une app\u00e9tence et une premi\u00e8re exp\u00e9rience avec le Machine Learning.<\/p><p><strong>Pr\u00e9requis :<\/strong><\/p><p>La programmation Python, et l\u2019usage d\u2019un IDE sont un plus pour suivre cette formation Deep Learning.<\/p><h2>\u00a0Contenu du cours<\/h2><ol><li><h3>Introduction au Deep Learning<\/h3><p>Relation entre Machine Learning et Deep Learning<br \/>Champs d\u2019application et cas d\u2019utilisation<br \/>Principes fondamentaux du Machine Learning<br \/>Principaux outils et biblioth\u00e8ques pour le Deep Learning : TensorFlow, Keras, Caffe, etc<\/p><p><strong><em>Travaux Pratiques\u00a0 :<\/em><\/strong><\/p><p><em>Exercice pratique faisant intervenir tous les pr\u00e9requis, introduction aux notebooks Jupyter<\/em><\/p><h3>D\u00e9couverte de TensorFlow<\/h3><p>Installation de TensorFlow et son \u00e9co syst\u00e8me, pr\u00e9sentation des tensors (tableaux multidimensionnels), des variables et placeholders, pr\u00e9sentation des graphes et sessions TensorFlow<br \/>Exemples avec les APIs TensorFlow : Estimators, Layers, Datasets\u2026<br \/>Op\u00e9rations sur des ensembles de donn\u00e9es telles que la r\u00e9gression et la classification. Visualiser des graphes et courbes d\u2019apprentissage avec TensorBoard<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>Cr\u00e9ation d\u2019un premier mod\u00e8le de r\u00e9gression en TensorFlow. Repr\u00e9sentation avec TensorBoard pour analyse<\/em><\/p><h3>Les r\u00e9seaux neuronaux artificiels ou ANN (Deep Learning)<\/h3><p>Pr\u00e9sentation du fonctionnement du perceptron \u00e0 une couche et du perceptron multicouche, configuration et param\u00e9trage d\u2019un r\u00e9seau de neurones<br \/>Approche logicielle du d\u00e9veloppement d\u2019un r\u00e9seau de neurones : activation, d\u00e9sactivation<br \/>Conception d\u2019un r\u00e9seau de neurones en fonction du probl\u00e8me \u00e0 r\u00e9soudre<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>Construction d\u2019un ANN multicouche sur TensorFlow pour la classification de donn\u00e9es<\/em><\/p><h3>Entra\u00eenement d\u2019un r\u00e9seau de neurones<\/h3><p>Pr\u00e9sentation des m\u00e9thode d\u2019apprentissage : fonction de co\u00fbt, descente de gradient et r\u00e9tro-propagation<br \/>Importance de la m\u00e9trologie : choix des param\u00e8tres<br \/>Pr\u00e9sentation de techniques de Data Augmentation et de l\u2019\u00e9cueil du sur apprentissage par r\u00e9gularisation<br \/>R\u00e9utilisation d\u2019ANN, par transfer learning ou comment utiliser des couches pr\u00e9 entra\u00een\u00e9es<\/p><p><strong><em>Travaux Pratiques\u00a0 :<\/em><\/strong><\/p><p><em>Construire des tests de r\u00e9seaux de neurones<\/em><\/p><h3>R\u00e9seaux de neurones convolutifs ou CNN<\/h3><p>Pr\u00e9sentation des principes de fonctionnement et d\u00e9finition de filtres convolutifs<br \/>D\u00e9veloppement d\u2019une couche de convolution, d\u2019une couche de pooling<br \/>Approche logicielle du d\u00e9veloppement d\u2019un r\u00e9seau de neurones convolutifs<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>Utilisation d\u2019un r\u00e9seau de neurones CNN pour la reconnaissance de l\u2019\u00e9criture manuscrite<\/em><\/p><h3>R\u00e9seaux de neurones r\u00e9currents ou RNN<\/h3><p>Pr\u00e9sentation des principes de fonctionnement et importance de la disparition du gradient<br \/>Approche logicielle du d\u00e9veloppement d\u2019un r\u00e9seau de neurones r\u00e9currents<br \/>Pr\u00e9sentation d\u2019une Cellule Long Short-Term Memory (LSTM) et de sa version simplifi\u00e9e la cellule GRU<br \/>Principes fondamentaux du NLP ou Natural Language Processing<\/p><p><strong><em>Travaux Pratiques\u00a0 :<\/em><\/strong><\/p><p><em>Utilisation d\u2019un r\u00e9seau de neurones RNN pour le traitement automatique du langage naturel<\/em><\/p><h3>Machine de Boltzmann restreinte ou RBM<\/h3><p>Pr\u00e9sentation de la machine de Boltzmann restreinte<br \/>Principes fondamentaux du Deep Belief Networks,<br \/>M\u00e9trologie et r\u00e9duction des dimensions gr\u00e2ce aux autoencodeurs<br \/>Pr\u00e9sentation de l\u2019API autoencoder<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>Construire un auto-encoder pour la r\u00e9duction de dimension d\u2019un r\u00e9seau de neurones<\/em><\/p><h3>Apprentissage par renforcement (Deep Learning)<\/h3><p>Principe de notation et d\u2019optimisation par objectif<br \/>Pr\u00e9sentation de la toolkit Gym pour la programmation par renforcement<br \/>Principe de la prise de d\u00e9cision par crit\u00e8re de Markov<br \/>Principes fondamentaux de l\u2019apprentissage par diff\u00e9rence (temporelle, etc)<\/p><p><strong><em>Travaux Pratiques\u00a0 :<\/em><\/strong><\/p><p><em>Contr\u00f4le d\u2019un agent \u00e9voluant dans un contexte inconnu, \u00e9valuation de r\u00e9ponse<\/em><\/p><h3>Performance et mise en prodution<\/h3><p>Ex\u00e9cution sur CPUs, GPUs, TPUs ou cluster<br \/>Mise en production avec TensorServing<\/p><p><strong><em>Travaux Pratiques :<\/em><\/strong><\/p><p><em>D\u00e9ploiement sur TensorServing<\/em><\/p><\/li><\/ol><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-2078\" class=\"elementor-tab-title\" data-tab=\"8\" role=\"tab\" aria-controls=\"elementor-tab-content-2078\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><i class=\"fas fa-caret-right\"><\/i><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><i class=\"elementor-toggle-icon-opened fas fa-caret-up\"><\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"\" class=\"elementor-toggle-title\">FORMATION TENSORFLOW: ANALYSE D\u2019IMAGES AVEC TENSORFLOW<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-2078\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"8\" role=\"tabpanel\" aria-labelledby=\"elementor-tab-title-2078\"><h2>Objectifs de la formation<\/h2><p>Cette\u00a0<strong>formation TensorFlow<\/strong>\u00a0vous apprend \u00e0 installer, param\u00e9trer et optimiser TensorFlow pour l&#8217;analyse d&#8217;images.<\/p><p>\u00c0 l&#8217;issue de cette formation, vous aurez acquis les connaissances et les comp\u00e9tences n\u00e9cessaires pour :<\/p><ul><li>Mettre en \u0153uvre TensorFlow pour de l&#8217;apprentissage machine<\/li><\/ul><p>Conna\u00eetre les APIs disponibles pour r\u00e9aliser des mod\u00e8les fiables et efficaces<\/p><h2>\u00c0 qui s&#8217;adresse cette formation ?<\/h2><p><strong>Public :<\/strong><\/p><p>Ce cours TensorFlow s&#8217;adresse aux data-scientists et aux chefs de projet souhaitant comprendre le fonctionnement de TensorFlow.<\/p><p><strong>Pr\u00e9requis :<\/strong><\/p><p>Pour suivre cette formation TensorFlow, il est n\u00e9cessaire de conna\u00eetre un langage de programmation (id\u00e9alement, Python) ainsi que les principes de base de la manipulation de donn\u00e9es et du machine learning.<\/p><h2>\u00a0Contenu du cours<\/h2><ol><li><h3>Pr\u00e9sentation de TensorFlow<\/h3><p>Historique du projet TensorFlow<br \/>Fonctionnalit\u00e9s<br \/>Architecture distribu\u00e9e, plate-formes support\u00e9es<\/p><h3>Premiers pas avec TensorFlow Core<\/h3><p>Installation de TensorFlow<br \/>Principe des tenseurs, caract\u00e9ristiques d&#8217;un tenseur : type de donn\u00e9es, dimensions<br \/>D\u00e9finition de tenseurs simples<br \/>Gestion de variables pour la persistance<br \/>Repr\u00e9sentation des calculs et des d\u00e9pendances entre op\u00e9rations par des graphes<\/p><h3>API Estimator<\/h3><p>\u00c9tude d&#8217;un mod\u00e8le complet avec mise en place de l&#8217;apprentissage<br \/>\u00c9valuation de la qualit\u00e9 du mod\u00e8le<br \/>Apprentissage, analyse de donn\u00e9es et fourniture de pr\u00e9dictions<br \/>Tests avec Premade Estimators<\/p><h3>Optimisation<\/h3><p>Calculs distribu\u00e9s : diff\u00e9rents types de strat\u00e9gies (synchrone ou asynchrone), avec stockage centralis\u00e9 des donn\u00e9es ou dupliqu\u00e9 sur diff\u00e9rents cpu<br \/>Distribution sur des GPUs<br \/>Utilisation de TPUs<\/p><h3>Classification d&#8217;images<\/h3><p>Notion de classification, cas d&#8217;usage<br \/>Pr\u00e9sentation des outils : TensorFlow Hub, librairie de composants pour la construction de mod\u00e8les d&#8217;apprentissage<br \/>Travaux pratiques avec les exemples fournis par TensorFlow<\/p><h3>Extensions<\/h3><p>TensorFlow.js : librairies javascript pour l&#8217;ex\u00e9cution de TensorFlow dans un navigateur ou avec node.js<br \/>TensorFlow Lite : pour le d\u00e9ploiement de mod\u00e8les sur des android ou autre objets connect\u00e9s<br \/>TensorFlow Extended : pour le d\u00e9ploiement de mod\u00e8les dans un environnement de production<\/p><\/li><\/ol><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-2079\" class=\"elementor-tab-title\" data-tab=\"9\" role=\"tab\" aria-controls=\"elementor-tab-content-2079\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><i class=\"fas fa-caret-right\"><\/i><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><i class=\"elementor-toggle-icon-opened fas fa-caret-up\"><\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"\" class=\"elementor-toggle-title\">FORMATION CHATBOT: CR\u00c9ER SON AGENT CONVERSATIONNEL <\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-2079\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"9\" role=\"tabpanel\" aria-labelledby=\"elementor-tab-title-2079\"><h2>Objectifs de la formation<\/h2><p>Au cours de cette\u00a0<strong>formation Chatbot : Cr\u00e9er son agent conversationnel<\/strong>, nous vous proposons de d\u00e9couvrir les m\u00e9thodes de cr\u00e9ation d&#8217;un dialogueur (CUX, VUI, entra\u00eenement), les solutions des acteurs du march\u00e9 ainsi que les technologies sous-jacentes (NLU, NLP, API).<\/p><p>A l&#8217;issue de cette\u00a0<strong>formation WebIntelligence XI<\/strong>, vous aurez acquis les connaissances et comp\u00e9tences n\u00e9cessaires pour :<\/p><ul><li>D\u00e9mystifier les chatbots : enjeux et limitations<\/li><li>Identifier les cas d\u2019usage dans votre m\u00e9tier<\/li><li>D\u00e9couvrir la m\u00e9thode de cr\u00e9ation et les technologies derri\u00e8re les chatbots<\/li><li>Ma\u00eetriser le cycle de d\u00e9veloppement d&#8217;un chatbot<\/li><\/ul><h2>\u00c0 qui s&#8217;adresse cette formation ?<\/h2><p><strong>Public :<\/strong><\/p><p>Ce cours Chatbot s&#8217;adresse \u00e0 des profils diff\u00e9rents dans l&#8217;entreprise : responsable innovation, d\u00e9veloppeur, \u00e9quipe marketing, \u00e9quipe communication interne et externe, fonctions m\u00e9tier (ressources humaines, service client, support informatique, etc.).<\/p><p><strong>Pr\u00e9requis :<\/strong><\/p><p>Aucun pr\u00e9requis n&#8217;est n\u00e9cessaire.<\/p><h2>\u00a0Contenu du cours<\/h2><ol><li><h3>Introduction aux chatbots<\/h3><p>Pr\u00e9sentation crois\u00e9e et attentes des participants<br \/>Pr\u00e9sentation des th\u00e8mes abord\u00e9s au cours de la formation<\/p><h3>Pr\u00e9sentation des chatbots<\/h3><p>Pourquoi les chatbots rencontrent-ils un tel succ\u00e8s ?<br \/>L\u2019\u00e9volution des interfaces<br \/>Historique des chatbots<\/p><h3>Les chatbots<\/h3><p>O\u00f9 trouve-t-on des chatbots ?Les interfaces conversationnelles : un nouveau paradigme<br \/>Chatbot textuel vs Chatbot vocal<br \/>Les usages les plus courants<br \/>Les b\u00e9n\u00e9fices\u00a0<\/p><h3>Architecture d\u2019un chatbot<\/h3><p>Les diff\u00e9rentes briques techniques<br \/>Int\u00e9grer un chatbot dans un syst\u00e8me d&#8217;information<\/p><h3>Les moteurs de langage naturel<\/h3><p>D\u00e9finition et vocabulaire sp\u00e9cifique<br \/>Les acteurs du march\u00e9<br \/>Le machine learning<br \/>Les limites d&#8217;un agent conversationnel<\/p><p><strong><em>Cas Pratique : Entrainer un moteur de langage naturel<\/em><\/strong><\/p><p><em>Cr\u00e9ation d\u2019une instance, intentions, entit\u00e9s<\/em><em><br \/>Entrainement manuel et ajustement<br \/>Supervision et correction<\/em><\/p><h3>Adopter les bonnes pratiques de conversation<\/h3><p>D\u00e9finir la pr\u00e9sentation du chatbot<br \/>G\u00e9rer les impasses<br \/>Personnaliser les r\u00e9ponses<\/p><p><strong><em>Cas Pratique : Cr\u00e9er un chatbot<\/em><\/strong><\/p><p><em>Cr\u00e9er un sc\u00e9nario conversationnel<\/em><em><br \/>G\u00e9rer le flow conversationnel<br \/>G\u00e9rer la m\u00e9moire<br \/>Les diff\u00e9rents formats de r\u00e9ponses possibles<br \/>La communication avec une API serveur<\/em><\/p><p><strong><em>Cas Pratique : D\u00e9ployer son chatbot<\/em><\/strong><\/p><p><em>Choisir la ou les plateformes de d\u00e9ploiement<\/em><em><br \/>Faire conna\u00eetre son chatbot<\/em><\/p><h3>Faire \u00e9voluer son chatbot<\/h3><p>Ajouter des fonctionnalit\u00e9s \u00e0 un chatbot existant<\/p><h3>Analytics<\/h3><p>Pourquoi recourir \u00e0 l\u2019analytics ?<br \/>Quelques outils d\u2019analyse<\/p><h3>L\u2019avenir des chatbots<\/h3><p>La voix partout<br \/>La personnalisation<\/p><h3>S\u00e9ance questions \/ r\u00e9ponses<\/h3><h3>Cl\u00f4ture de la session<\/h3><p>Partage sur le statut d\u2019apprentissage des participants, collecte des questions<br \/>\u00c9valuation de la formation et formalit\u00e9s diverses<\/p><\/li><\/ol><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-20710\" class=\"elementor-tab-title\" data-tab=\"10\" role=\"tab\" aria-controls=\"elementor-tab-content-20710\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><i class=\"fas fa-caret-right\"><\/i><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><i class=\"elementor-toggle-icon-opened fas fa-caret-up\"><\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"\" class=\"elementor-toggle-title\">FORMATION MACHINE LEARNING AVEC PYTHON <\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-20710\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"10\" role=\"tabpanel\" aria-labelledby=\"elementor-tab-title-20710\"><h2>Objectifs de la formation<\/h2><p>Cette\u00a0<strong>formation Machine Learning avec Python<\/strong>\u00a0vous propose de d\u00e9couvrir les concepts et les technologies du Machine Learning \u00e0 travers le langage Python et sa biblioth\u00e8que Scikit-Learn qui propose tous les algorithmes standards. Vous apprendrez \u00e0 d\u00e9velopper de puissants mod\u00e8les pr\u00e9dictifs dont les r\u00e9sultats vous surprendront par leur puissance et leur facilit\u00e9 de mise en \u0153uvre.<\/p><p>A l&#8217;issue de cette\u00a0<strong>formation WebIntelligence XI<\/strong>, vous aurez acquis les connaissances et comp\u00e9tences n\u00e9cessaires pour :<\/p><ul><li>D\u00e9crire les concepts du machine learning<\/li><li>Conna\u00eetre les principaux algorithmes utilis\u00e9s en machine learning<\/li><li>Utiliser la biblioth\u00e8que Scikit-Learn<\/li><li>Mettre en \u0153uvre le regroupement de donn\u00e9es automatique (clustering)<\/li><li>Utiliser Azure Machine Learning<\/li><\/ul><h2>\u00c0 qui s&#8217;adresse cette formation ?<\/h2><p><strong>Public :<\/strong><\/p><p>Ce cours Machine Learning avec Python s&#8217;adresse \u00e0 toute personne amen\u00e9e \u00e0 utiliser Python pour d\u00e9velopper des mod\u00e8les de pr\u00e9diction dans n&#8217;importe quel domaine : scientifique, m\u00e9dical, bancaire, s\u00e9curit\u00e9, data&#8230;<\/p><p><strong>Pr\u00e9requis :<\/strong><\/p><p>Cette formation Machine Learning avec Python suppose de savoir d\u00e9velopper et de conna\u00eetre les bases de Python.\u00a0<\/p><h2>\u00a0Contenu du cours<\/h2><ol><li><h3>Fondamentaux du Machine Learning<\/h3><p>Les promesses du machine learning<br \/>Les technologies sous-jacentes<br \/>Liens entre Cloud, Big Data et Machine Learning<br \/>Pr\u00e9sentation du Deep Learning<\/p><p><strong><em>Travaux pratiques<\/em><\/strong><\/p><p><em>Parcours de diff\u00e9rents r\u00e9sultats de programmes de machine learning afin de valider le vocabulaire et les concepts pr\u00e9sent\u00e9s dans ce chapitre (pr\u00e9visions de tarifs, classification d\u2019images, reconnaissance de textes, etc.)<\/em><\/p><h3>Les algorithmes standards<\/h3><p>Diff\u00e9rences entre apprentissage supervis\u00e9 et non supervis\u00e9<br \/>La r\u00e9gression lin\u00e9aire<br \/>La r\u00e9gression logistique<br \/>L\u2019arbre de d\u00e9cision<br \/>Les machines \u00e0 vecteur de support (SVM)<br \/>La classification selon Naive Bayes<br \/>Les plus proches voisins<br \/>Pourquoi faut-il parfois r\u00e9duire les dimensions ?<br \/>Les r\u00e9seaux de neurones<\/p><h3>La biblioth\u00e8que Python (Scikit-Learn)<\/h3><p>Comment utiliser la documentation ?<br \/>Int\u00e9gration de Scikit-Learn avec d\u2019autres librairies (Pandas, Numpy, SciPy, Matplotlib, etc.)<br \/>Repr\u00e9sentation des donn\u00e9es par des tableaux (Numpy, Scipy, Pandas, Python)<br \/>Repr\u00e9sentation d\u2019une pr\u00e9diction par une classe (pr\u00e9dicteur, classifieur, estimator)<br \/>Comment choisir le bon algorithme d\u2019apprentissage automatique ?<\/p><p><strong><em>Travaux pratiques<\/em><\/strong><\/p><p><em>Reconnaissance et classification d\u2019images de fleurs selon des crit\u00e8res observables (chargement d\u2019une base, d\u00e9couverte du contenu, observation des donn\u00e9es, visualisation avec Seaborn, apprentissage, pr\u00e9diction)<\/em><\/p><h3>Apprentissage non supervis\u00e9 (clustering) en Python<\/h3><p>Explorer les donn\u00e9es et les regrouper (clustering)<br \/>Visualisation avec clustering hi\u00e9rarchique et t-SNE<br \/>D\u00e9corr\u00e9lation des donn\u00e9es et r\u00e9duction des dimensions<br \/>D\u00e9couvrir des fonctionnalit\u00e9s interpr\u00e9tables<br \/>Extraire des connaissances des textes (Text Mining)<\/p><p><strong><em>Travaux pratiques<\/em><\/strong><\/p><p><em>Extraction de sujets et de tendances \u00e0 partir de gros volume de flux de donn\u00e9es (exemple Twitter)<\/em><em><br \/>Analyse de sentiments et d\u00e9motions<br \/>Classification automatique de textes dans une ou plusieurs cat\u00e9gories (Word2Vec, Doc2Vec, TF-DF)<br \/>Retour sur l\u2019atelier de la reconnaissance supervis\u00e9e des fleurs pour le passer en mode non supervis\u00e9 : r\u00e9duction des dimensions, regroupement des donn\u00e9es selon diff\u00e9rents algorithmes (clustering) jusqu\u2019\u00e0 la mise en \u00e9vidence de l\u2019identification des groupes de familles de fleurs<\/em><\/p><h3>Azure Machine Learning<\/h3><p>Construire des mod\u00e8les sans coder avec les outils du Cloud<br \/>Les services propos\u00e9s par Visual Studio, Azure et GitHub<br \/>Valider les performances des mod\u00e8les<br \/>D\u00e9ployer son mod\u00e8le<br \/>La pr\u00e9paration des donn\u00e9es<\/p><p><strong><em>Travaux pratiques<\/em><\/strong><\/p><p><em>Construction d\u2019un mod\u00e8le de pr\u00e9diction sous Visual Studio<\/em><\/p><h3>\u00a0<\/h3><\/li><\/ol><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>FORMATION INTELLIGENCE ARTIFICIELLE (IA): CONCEPTS, ENJEUX, TECHNOLOGIES ET STRATEGIES POUR LES ENTREPRISES Objectifs de la formation Cette formation vise avant tout \u00e0 sensibiliser les participants \u00e0 l\u2019\u00e9volution du march\u00e9 informatique, des m\u00e9tiers et des technologies induites par l\u2019IA dans sa maturit\u00e9 actuelle et \u00e0 venir. Il s\u2019agira pour eux de disposer du vocabulaire, de comprendre [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-13010","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/705consulting.com\/index.php\/wp-json\/wp\/v2\/pages\/13010","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/705consulting.com\/index.php\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/705consulting.com\/index.php\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/705consulting.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/705consulting.com\/index.php\/wp-json\/wp\/v2\/comments?post=13010"}],"version-history":[{"count":7,"href":"https:\/\/705consulting.com\/index.php\/wp-json\/wp\/v2\/pages\/13010\/revisions"}],"predecessor-version":[{"id":13572,"href":"https:\/\/705consulting.com\/index.php\/wp-json\/wp\/v2\/pages\/13010\/revisions\/13572"}],"wp:attachment":[{"href":"https:\/\/705consulting.com\/index.php\/wp-json\/wp\/v2\/media?parent=13010"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}