> Toutes nos certifications > Machine Learning avec Python du POC à la production
Nouvelle formation

Formation : Machine Learning avec Python du POC à la production

Python au service de la Data Science

Machine Learning avec Python du POC à la production

Python au service de la Data Science
Télécharger le programme Partager cette formation


Le cours vous enseigne l'utilisation de Python pour la Data Science : la préparation des données, l'entraînement et la mise à disposition du modèle et des résultats. Les participants apprennent à utiliser divers outils et bibliothèques Python pour effectuer des tâches courantes de data science et de machine learning.


Inter
Intra
Sur mesure

Cours pratique en présentiel ou en classe à distance

Réf. PYD
Prix : 1870 € H.T.
  3j - 21h00
Pauses-café et
déjeuners offerts




Le cours vous enseigne l'utilisation de Python pour la Data Science : la préparation des données, l'entraînement et la mise à disposition du modèle et des résultats. Les participants apprennent à utiliser divers outils et bibliothèques Python pour effectuer des tâches courantes de data science et de machine learning.

Objectifs pédagogiques
À l’issue de la formation, le participant sera en mesure de :
  • Mettre en place les différentes étapes de préprocessing avec Python
  • Savoir choisir le modèle approprié pour une problématique donnée
  • Appliquer et évaluer des modèles sur des données réelles
  • Mettre à disposition un modèle dans le cloud et permettre son interrogation par le biais du API

Public concerné
Toutes personnes intéressées par l'apprentissage de Python et son application à la data science et au machine learning.

Prérequis
Connaissance du langage Python. Connaissances théoriques sur le machine learning.
Vous recevrez par mail des informations permettant de valider vos prérequis avant la formation.

Programme de la formation

Import des données et preprocessing

  • L'environnement de développement Python / Anaconda / Jupyter Notebook.
  • Pandas : l’analyse de données tabulaires (CSV, Excel...), statistiques, pivots, jointures, filtres.
  • Traitement des valeurs manquantes : imputation par la moyenne, médiane, interpolation, knn…
  • Traitement des Outliers : analyse graphique, méthode de l’IQR, Z-score.
  • Standardisation.
  • Normalisation : Skewness et Kurtosis.
  • Données non balancées : Undersampling, Oversampling, SMOTE.
Travaux pratiques
Manipulation de Python dans un notebook Jupyter. Exercice de mise en pratique avec pandas. Mise en place de l’ensemble des pré-traitements à l’aide des librairies python spécifiques.

Entraînement de modèles et évaluation

  • Modèles d’apprentissage supervisés et non-supervisés les plus courants.
  • Entraînement de modèles avec Scikit-learn.
  • Méthodes d’évaluations : savoir choisir les bonnes métriques pour chaque problématique.
Travaux pratiques
Entraînement de plusieurs modèles supervisés et non supervisés, comparaison des performances et choix du meilleur modèle.

Optimisation des modèles et log des performances

  • Présentation des librairies Optuna, Hyperopt.
  • Présentation de l’approche Grid Search pour identifier les meilleurs hyper paramètres d’un modèle.
  • Log des hyper paramètres et des performances dans Mlflow.
Travaux pratiques
Optimisation des modèles élaborés dans la partie précédente et log des métriques / hyperparamètres dans Mlflow.

Modèle et Data Drift

  • Intérêt de vérifier le modèle Drift et le Data Drift.
  • Présentation des librairies Evidently et Streamlit.
Travaux pratiques
Mise en place d’un Dashboard Evidently pour monitorer le Drift des données.

Industrialisation : déploiement dans le cloud

  • Présentation du service AWS EC2.
  • Présentation de Flask pour le pour la mise à disposition d’un modèle de machine learning par le biais d’une API.
  • Présentation de divers outils de connexion à l’environnement virtuel tels que Putty, Visual Studio Code…
  • Déploiement du code par le biais de GitHub.
Travaux pratiques
Déploiement d’un modèle sur un environnement cloud avec la librairie Flask.


Modalités pratiques
Travaux pratiques
La formation met l’accent sur la mise en pratique, afin d’assurer l’autonomie des participants.
Méthodes pédagogiques;
Conçue par des experts, suite à leur retours d'expérience, cette formation passe en revue, les différentes étapes d'un projet de Machine Learning de sa conception à sa mise en production.

Modalités d'évaluation
Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de QCM, mises en situation, travaux pratiques…
Le participant complète également un test de positionnement en amont et en aval pour valider les compétences acquises.

Parcours certifiants associés
Pour aller plus loin et renforcer votre employabilité, découvrez les parcours certifiants qui contiennent cette formation :

Solutions de financement
Pour trouver la meilleure solution de financement adaptée à votre situation : contactez votre conseiller formation.
Il vous aidera à choisir parmi les solutions suivantes :
  • Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
  • Le dispositif FNE-Formation
  • L’OPCO (opérateurs de compétences) de votre entreprise.
  • France Travail sous réserve de l’acceptation de votre dossier par votre conseiller France Travail.
  • Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
  • Le dispositif FNE-Formation
  • L’OPCO (opérateurs de compétences) de votre entreprise.
  • France Travail sous réserve de l’acceptation de votre dossier par votre conseiller France Travail.

Avis clients
4,6 / 5
Les avis clients sont issus des évaluations de fin de formation. La note est calculée à partir de l’ensemble des évaluations datant de moins de 12 mois. Seules celles avec un commentaire textuel sont affichées.
ROMAIN V.
07/10/24
5 / 5

Je partais quasiment de zéro sur le ML et je pense maintenant avoir une bonne vision.Un peu dense sur la partie model
GUILLAUME K.
07/10/24
5 / 5

Vulgarisation au top, pas facile au vu du timing et la densité des informations parcourues.
MARIUS T.
07/10/24
4 / 5

Contenu pertinent, entrevue sur tous les sujets qui composent le machine learning. La formation était assez simple à suivre avec une bonne alternance théorique/pratique.




Horaires
En présentiel, les cours ont lieu de 9h à 12h30 et de 14h à 17h30.
Les participants sont accueillis à partir de 8h45. Les pauses et déjeuners sont offerts.
Pour les stages pratiques de 4 ou 5 jours, quelle que soit la modalité, les sessions se terminent à 16h le dernier jour.

Dates et lieux
Sélectionnez votre lieu ou optez pour la classe à distance puis choisissez votre date.
Classe à distance