Page 164 - CATALOGUE AGINIUS 2020

IT - Big Data - Cybersécurité IT - Big Data - Cybersécurité

Machine Learning sous Python et R Deep Learning Data Scientist

4 jours 2 jours 5 jours
Objectifs Ref. 4-PY-MLPR Objectifs Ref. 4-IT-DL Objectifs Ref. 4-IT-DAS 8. Le Big Data
• Utiliser R et Python dans le cadre de modèles d’apprentissage et de • Comprendre l’évolution des réseaux de neurones et les raisons du succès • Savoir mettre en place un DataLake et un DataMart en SQL ou big data, • Qu’est-ce que Apache Hadoop ?
• Qu’est-ce que l’informatique distribué ?
fonctions algorithmiques actuel du Deep Learning puis une stratégie de Machine Learning en Python afin de créer le modèle • Installation et configuration de Hadoop
Public • Utiliser les bibliothèques de Deep Learning les plus populaires le plus satisfaisant possible en le mesurant et en affichant les résultats, le • HDFS
• Comprendre les principes de conception, les outils de diagnostic et les
• Création d’un datanode
tout en utilisant des algorithmes performants
• Cette formation s’adresse au profil métier orienté Data Scientist effets des différents verrous et leviers • Création d’un namenode distribué
• Acquérir de l’expérience pratique sur plusieurs problèmes réels Public • Manipulation de HDFS
Prérequis Public • Développeurs, chefs de projets proches du développement, ingénieur • Hadoop comme DataLake
• Bonnes bases de statistiques et de data mining scientifique sachant coder • Map Reduce
• Ingénieurs/Chefs de projet IA, consultants IA et toute personne souhaitant • Hive
Moyens pédagogiques découvrir les techniques Deep Learning Prérequis • Hadoop comme DataMart
• Python HDFS
• Formation avec un formateur, dans une salle dédiée à la formation, équipée Prérequis • Maîtriser l’algorithmique, avoir une appétence pour les mathématiques 9. Les bases de données NoSql
• La connaissance de Python et des statistiques est un plus
d’un vidéoprojecteur, d’un tableau blanc ou à distance dans le cas de solutions • Bonnes connaissances en statistiques • Les bases de données structurées
de Digital Learning • Bonnes connaissances du Machine Learning Moyens pédagogiques • SQL avec SQLite et Postgresql
• 1 poste de travail par stagiaire adapté aux besoins de la formation + 1 support Moyens pédagogiques • Les bases de données non ACID
de cours et/ou un manuel de référence au format numérique ou papier • Alternance entre apports théoriques et exercices pratiques Support de • JSON
• Modalités pédagogiques : Exposés – Cas pratiques – Synthèse • Formation avec un formateur, dans une salle dédiée à la formation, équipée cours fourni lors de la formation • MongoDB
d’un vidéoprojecteur, d’un tableau blanc ou à distance dans le cas de solutions • Cassandra, Redis, CouchDb
de Digital Learning Programme • MongoDB sur HDFS
• 1 poste de travail par stagiaire adapté aux besoins de la formation + 1 support • MongoDB comme DataMart PyMongo
de cours et/ou un manuel de référence au format numérique ou papier 10. Numpy et SciPy
• Modalités pédagogiques : Exposés – Cas pratiques – Synthèse 1. Introduction aux Data Sciences • Les tableaux et les matrices
• Qu’est que la data science ? • L’algèbre linéaire avec Numpy
Programme Programme • Qu’est-ce que Python ? • La régression linéaire SciPy Le produit et la transposée
• Qu’est que le Machine Learning ? • L’inversion de matrice
• Apprentissage supervisé vs non supervisé Les statistiques • Les nombres complexes
1. Généralités 1. Introduction • La randomisation • L’algèbre complexe
• Présentation et installation du logiciel R • Créer un premier graphe et l’exécuter dans une session. • La loi normale • Les transformées de Fourier Numpy et Mathplotlib
• GUIs et IDEs • Cycle de vie de la valeur d’un nœud. 2. Introduction à Python pour les Data Science 11. ScikitLearn
• Prise en main et premiers pas • Manipuler des matrices. • Les bases de Python • Régressions polynomiales
• Fonctions et packages • Régression linéaire. • Les listes • La régression linéaire
• Utilisation des aides • Descente de gradient. • Les tuples • La création du modèle
2. Rappel des concepts de base du Data Mining • Fournir des données à l’algorithme d’entraînement. • Les dictionnaires • L’échantillonnage
• Introduction à R - Concepts de base • Enregistrer et restaurer des modèles. • Les modules et packages • La randomisation
• Syntaxe • Visualiser le graphe et les courbes d’apprentissage. • L’orienté objet • L’apprentissage avec fit
• Type de données • Portées de noms. Partage des variables. • Le module math • La prédiction du modèle
• Import/Export de données 2. Introduction aux réseaux de neurones artificiels • Les expressions lambda • Les metrics
• Manipulation des librairies • Du biologique à l’artificiel. • Map, reduce et filter • Choix du modèle
3. Manipulation des données • Entraîner un PMC (perceptron multicouche) avec une API TensorFlow de • Le module CSV • PreProcessing et Pipeline
• Régressions non polynomiales
• Les modules DB-API 2 Anaconda
• Rappels des grandeurs statistiques de bases haut niveau.
• Calcul des grandeurs statistiques de bases avec R • Entraîner un PMC (perceptron multicouche) avec TensorFlow de base. 3. Introduction aux DataLake, DataMart et DataWharehouse 12. Nearest Neighbors
• Aperçu des types de visualisation courants en Data Mining • Régler précisément les hyperparamètres d’un réseau de neurones. • Qu’est-ce qu’un DataLake ? • Algorithme des k plus proches voisins (k-NN)
• Fonctions et librairies de base de visualisation avec R 3. Entraînement de réseaux de neurones profonds • Les différents types de DataLake • Modèle de classification
4. Data Preprocessing • Problèmes de disparition et d’explosion des gradients. • Le Big Data Qu’est-ce qu’un DataWharehouse ? • K-NN avec SciKitLearn
• Choix du meilleur k
• Qu’est qu’un DataMart ?
• Data Cleaning • Réutiliser des couches pré-entraînées. • Mise en place d’un DataMart • Sérialisation du modèle
• Data Reduction (Analyse en composantes principales) • Optimiseurs plus rapides. • Les fichiers • Variance vs Erreurs
• Data Preprocessing et ACP avec R • Éviter le sur-ajustement grâce à la régularisation. • Les bases de données SQL • Autres modèles : SVN, Random Forest
5. Règles d’association • Recommandations pratiques. • Les bases de données No-SQL 13. Pandas
• Rappels théoriques de l’algorithme Apriori 4. Réseaux de neurones convolutifs 4. Python Package Installer • L’analyse des données avec Pandas
• Application et exploitation des règles d’association avec R • L’architecture du cortex visuel. • Utilisation de PIP • Les Series
6. Classification et Regression • Couche de convolution. • Installation de package PIP PyPi • Les DataFrames
• Couche de pooling.
• Règles bayesiennes naïves • Architectures de CNN. 5. MathPlotLib • La théorie ensembliste avec Pandas
• Rappels théoriques 5. Deep Learning avec Keras • Utilisation de la bibliothèque scientifique de graphes MathPlotLib • L’importation des données CSV
• Initiation à la librairie «e1071» de R • Affichage de données dans un graphique 2D Affichages de sous-graphes • L’importation de données SQL
• Arbre de décision CART • Régression logistique avec Keras. • Affichage de polynômes et de sinusoïdales • L’importation de données MongoDB Pandas et SKLearn
• Rappels théoriques • Perceptron avec Keras. 6. Machine Learning 14. Le Clustering
• Initiation à la librarie «party» de R • Réseaux de neurones convolutifs avec Keras. • Regroupement des données par clusterisation Les clusters SKLearn
• Arbre de décision RandomForest 6. Réseaux de neurones récurrents • Mise en place d’une machine learning supervisé avec k-means
• Rappels théoriques • Neurones récurrents. • Qu’est qu’un modèle et un dataset • Autres modèles de clusterisation : AffinityPropagation, MeanShift, …
• Initiation à la librairie «randomForest» de R • RNR de base avec TensorFlow. • Qu’est qu’une régression • L’apprentissage semi-supervisé
• Régression linéaire • Entraîner des RNR. RNR profonds. • Les différents types de régression 15. Jupyter
• Rappels théoriques • Cellule LSTM. Cellule GRU. • La régression linéaire
• Initiation à la fonction lm() de R • Traitement automatique du langage naturel. • Gestion du risque et des erreurs • Présentation de Jupyter et Ipython
7. Clustering 7. Autoencodeurs • Quarter d’Ascombe • Installation
• Utilisation de Jupyter avec Mathplotlib et Sklearn
• Trouver le bon modèle
• Centroid-based clustering • Représentations efficaces des données. • La classification 16. Python Yield
• Algorithme du K-means • ACP avec un autoencodeur linéaire sous-complet. • Loi normale, variance et écart type
• Fonction kmeans de R • Autoencodeurs empilés. • Apprentissage • La programmation efficace en Python
• Hierarchical clustering • Pré-entraînement non supervisé avec des autoencodeurs empilés. • Mesure de la performance No Fee Lunch • Le générateurs et itérateurs
• Concepts théoriques • Autoencodeurs débruiteurs. Autoencodeurs épars. Autoencodeurs varia- 7. La régression linéaire en Python • Le Yield return
• Fonction hclust de R tionnels. Autres autoencodeurs. • Le Yield avec Db-API 2, Pandas et Sklearn
• Density-based clustering • Programmer une régression linéaire en Python 17. Les réseaux neuronaux
• Concepts théoriques • Utilisation des expressions lambda et des listes en intention Afficher la • Le perceptron
• Application dans R régression avec MathPlotLib • Les réseaux neuronaux
8. Outils de support à R • L’erreur quadratique • Les réseaux neuronaux supervisés
• La variance
• Data preprocessing avec Dataiku • Le risque • Les réseaux neuronaux semi-supervisés
• Utilisation de R dans Dataiku • Les réseaux neuronaux par Hadoop Yarn
• Les heuristiques
• Le deep learning
162 FORMATIONS 2020 FORMATIONS 2020 163