Formation python machine learning et datascience
-
4 jours
1500€ HT / personne
-
Lieu
Lyon ou Paris -
Objectif
Découvrir les bibliothèques datascience de python et apprendre à programmer des algorithmes de machine learning avec python 3. -
Pour qui ?
Développeurs Python ou consultants BI désirant approfondir leurs connaissances sur les techniques de machine learning -
Prérequis
Avoir un connaissance de python
NB : le nombre de stagiaires doit être à minima de 2
Les moyens pédagogiques, techniques et d’encadrement mis en œuvre
Les supports de la formation python pour la datascience et le machine learning seront projetés sur un support visuel sous la forme de slides powerpoint. Les démonstrations des programmes python seront jouées sur un environnement de formation. Les élèves auront leur environnement de formation dédié leur permettant d’effectuer des exercices pratiques. Selon le client et les lieux où seront dispenser les formations, les environnements de formation seront adaptés pour répondre au mieux aux besoins.
Les moyens de suivi de la formation python pour la datascience et le machine learning.
Les stagiaires devront signer une feuille d’émargement attestant de leur présence par demi-journée. La formation sera sanctionnée par une attestation de présence du (des) participant(s). Le formateur aura la charge de s’assurer, par une observation régulière des stagiaires, du suivi du cours. La réussite des exercices, également observer par le formateur sera un gage du bon déroulement et suivi de la formation pour chaque stagiaire.
Les modalités d’évaluation des acquis de la formation
La formation sera sanctionnée par une attestation de présence du (des) participant(s) et par une évaluation à froid établie par le formateur
Plan de cours formation python pour la datascience et le machine learning
- Introduction au ML
- L’écosystème Python pour la data science (Anaconda, Project Jupyter)
- La manipulation de données (Numpy, Pandas, Dask, SQLAlchemy)
- Le visualisation de données (Matplotlib, Bokeh, Datashader)
- La boîte à outils du ML (Scikit-learn)
- La prévision de séries temporelles (FBProphet)
- Introduction au gradient boosting (XGBoost, LightGBM)
- Introduction au deep learning (PyTorch, Keras)