Formation Feature Engineering for Machine Learning

Cette formation en France (en ligne ou sur site) s'adresse aux data scientists et aux ingénieurs logiciels qui souhaitent utiliser AdaBoost pour construire des algorithmes de boosting pour l'apprentissage automatique avec Python.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à construire des modèles d'apprentissage automatique avec AdaBoost.
• Comprendre l'approche de l'apprentissage ensembliste et comment implémenter le boosting adaptatif.
• Apprendre à construire des modèles AdaBoost pour stimuler les algorithmes d'apprentissage automatique dans Python.
• Utiliser le réglage des hyperparamètres pour augmenter la précision et les performances des modèles AdaBoost.

Cette formation en France (en ligne ou sur site) s'adresse aux data scientists ainsi qu'aux personnes moins techniques qui souhaitent utiliser Auto-Keras pour automatiser le processus de sélection et d'optimisation d'un modèle d'apprentissage automatique.

A l'issue de cette formation, les participants seront capables de :

• Automatiser le processus de formation de modèles d'apprentissage automatique hautement efficaces.
• Rechercher automatiquement les meilleurs paramètres pour les modèles d'apprentissage profond.
• Construire des modèles d'apprentissage automatique très précis.
• Utiliser la puissance de l'apprentissage automatique pour résoudre des problèmes professionnels réels.

Cette formation en direct avec instructeur à France (en ligne ou sur site) est destinée aux personnes techniques ayant des connaissances en apprentissage automatique qui souhaitent optimiser les modèles d'apprentissage automatique utilisés pour détecter des modèles complexes dans les données volumineuses (big data).

A l'issue de cette formation, les participants seront capables de :

• Installer et évaluer différents outils open source AutoML (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA, etc.)
• Former des modèles d'apprentissage automatique de haute qualité.
• Résoudre efficacement différents types de problèmes d'apprentissage automatique supervisé.
• Écrire juste le code nécessaire pour lancer le processus d'apprentissage automatique.

Cette formation en France (en ligne ou sur site) s'adresse aux participants ayant différents niveaux d'expertise et souhaitant tirer parti de la plateforme Google AutoML pour créer des chatbots personnalisés pour diverses applications.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les principes fondamentaux du développement d'un chatbot.
• Naviguer sur la Google Cloud Platform et accéder à AutoML.
• Préparer les données pour l'entraînement des modèles de chatbot.
• Former et évaluer des modèles de chatbot personnalisés en utilisant AutoML.
• Déployer et intégrer les chatbots dans différentes plateformes et canaux.
• Contrôler et optimiser les performances des chatbots au fil du temps.

This instructor-led, live training in France (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.

By the end of this training, participants will be able to:

• Apply core statistical methods to pattern recognition.
• Use key models like neural networks and kernel methods for data analysis.
• Implement advanced techniques for complex problem-solving.
• Improve prediction accuracy by combining different models.

Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux scientifiques et analystes de données qui souhaitent automatiser, évaluer et gérer des modèles prédictifs en utilisant les capacités d'apprentissage automatique de DataRobot.

A l'issue de cette formation, les participants seront capables de :

• Charger des ensembles de données dans DataRobot pour analyser, évaluer et vérifier la qualité des données.
• Construire et former des modèles pour identifier les variables importantes et atteindre les objectifs de prédiction.
• Interpréter les modèles pour créer des informations utiles à la prise de décision.
• Contrôler et gérer les modèles pour maintenir une performance de prédiction optimisée.

Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux analystes de données et aux data scientists de niveau débutant à intermédiaire qui souhaitent utiliser Weka pour effectuer des tâches d'exploration de données.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Weka.
• Comprendre l'environnement Weka et l'atelier.
• Effectuer des tâches d'exploration de données à l'aide de Weka.

Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux data scientists, aux analystes de données et aux développeurs qui souhaitent explorer les produits et les fonctionnalités de AutoML pour créer et déployer des modèles d'entraînement ML personnalisés avec un minimum d'effort.

A l'issue de cette formation, les participants seront capables de :

• Explorer la gamme de produits AutoML pour mettre en œuvre différents services pour divers types de données.
• Préparer et étiqueter des ensembles de données pour créer des modèles ML personnalisés.
• Former et gérer des modèles pour produire des modèles d'apprentissage automatique précis et équitables.
• Faire des prédictions à l'aide des modèles formés pour répondre aux objectifs et aux besoins de l'entreprise.

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

À l'issue de cette formation, les participants seront en mesure de :

• Installer et configurer Kubeflow sur site et dans le cloud en utilisant AWS EKS (Elastic Kubernetes Service).
• Construire, déployer et gérer des flux de travail de ML basés sur des conteneurs Docker et Kubernetes.
• Exécuter des pipelines d'apprentissage automatique complets sur diverses architectures et environnements en nuage.
• Utiliser Kubeflow pour créer et gérer des carnets Jupyter.
• Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.

Cette formation en direct (en ligne ou sur site) est destinée aux data scientists qui souhaitent aller au-delà de la construction de modèles ML et optimiser le processus de création, de suivi et de déploiement des modèles ML.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer MLflow et les bibliothèques et frameworks ML associés.
• Apprécier l'importance de la traçabilité, de la reproductibilité et de la déployabilité d'un modèle ML
• Déployer des modèles de ML sur différents clouds publics, plateformes ou serveurs sur site.
• Mettre à l'échelle le processus de déploiement du ML afin d'accommoder plusieurs utilisateurs collaborant à un projet.
• Mettre en place un registre central pour expérimenter, reproduire et déployer des modèles de ML.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser Google's ML Kit pour construire des modèles d'apprentissage automatique optimisés pour le traitement sur les appareils mobiles.

À l'issue de cette formation, les participants seront en mesure de :

• Mettre en place l'environnement de développement nécessaire pour commencer à développer des fonctionnalités d'apprentissage automatique pour les applications mobiles.
• Intégrer de nouvelles technologies d'apprentissage automatique dans les applications Android et iOS à l'aide des API ML Kit.
• Améliorer et optimiser les applications existantes à l'aide du SDK ML Kit pour le traitement et le déploiement sur l'appareil.

Pattern Matching est une technique utilisée pour localiser des motifs spécifiques dans une image. Elle peut être utilisée pour déterminer l'existence de caractéristiques spécifiques dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux dans une chaîne de production ou les dimensions spécifiées d'un composant. Elle diffère de la technique "Pattern Recognition" (qui reconnaît des modèles généraux basés sur des collections plus vastes d'échantillons apparentés) en ce sens qu'elle dicte spécifiquement ce que nous recherchons, puis nous indique si le modèle attendu existe ou non.

Format du cours permettant d'évaluer les participants

• Ce cours présente les approches, les technologies et les algorithmes utilisés dans le domaine de la recherche de motifs, tels qu'ils s'appliquent à Machine Vision.

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux scientifiques des données et aux ingénieurs logiciels qui souhaitent utiliser Random Forest pour construire des algorithmes d'apprentissage automatique pour de grands ensembles de données.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à construire des modèles d'apprentissage automatique avec Random forest.
• Comprendre les avantages de Random Forest et comment l'implémenter pour résoudre des problèmes de classification et de régression.
• Apprendre à traiter de grands ensembles de données et à interpréter plusieurs arbres de décision dans Random Forest.
• Évaluer et optimiser les performances des modèles d'apprentissage automatique en réglant les hyperparamètres.

Cette formation en direct avec instructeur à France (en ligne ou sur site) est destinée aux analystes de données de niveau intermédiaire qui souhaitent apprendre à utiliser RapidMiner pour estimer et projeter des valeurs et utiliser des outils analytiques pour les prévisions de séries temporelles.

A l'issue de cette formation, les participants seront capables de :

• Apprendre à appliquer la méthodologie CRISP-DM, sélectionner les algorithmes d'apprentissage automatique appropriés et améliorer la construction et la performance des modèles.
• Utiliser RapidMiner pour estimer et projeter des valeurs, et utiliser des outils analytiques pour la prévision de séries temporelles.

RapidMiner est une plateforme logicielle open source de science des données pour le prototypage et le développement rapides d'applications. Elle comprend un environnement intégré pour la préparation des données, l'apprentissage automatique, l'apprentissage profond, l'exploration de texte et l'analyse prédictive.

Au cours de cette formation, les participants apprendront à utiliser RapidMiner Studio pour la préparation des données, l'apprentissage automatique et le déploiement de modèles prédictifs.

À l'issue de cette formation, les participants seront en mesure de :

• Installer et configurer RapidMiner Studio
• Préparer et visualiser les données avec RapidMiner.
• Valider les modèles d'apprentissage automatique
• Mashup de données et créer des modèles prédictifs
• Opérationnaliser l'analyse prédictive au sein d'un processus métier
• Dépanner et optimiser RapidMiner

Public

• Scientifiques des données
• Ingénieurs
• Développeurs

Format du cours permettant d'évaluer les participants

• En partie conférence, en partie discussion, exercices et pratique intensive.

Remarque

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter.