Développer une solution d’IA (Machine Learning et Python)

Cours 1 : La Data Science et le Machine Learning avec Python

1. Installation et première prise en main de l’environnement de travail

• Qu’est-ce que la Data Science ?
• Présentation et installation d’Anaconda
• Maîtrise du notebook Jupyter : les bases et comment enregistrer son travail

2. Les bases du langage Python

• Concept de variable et déclaration d’une variable
• Les chiffres et les opérateurs mathématiques
• Les strings et les opérateurs
• Maîtrise de Jupyter Notebook : session 2

3. Les conditions

• Les conditions logiques
• La structure des conditions

4. Les listes

• Concept, déclaration, consultation, manipulation et analyse d’une liste en Python

5. Les dictionnaires

• Qu’est-ce qu’un dictionnaire ?
• Navigation et manipulation sur un dictionnaire
• Les dictionnaires multi-valeurs

6. Les boucles

• Concept des boucles avec while
• La boucle for
• Création de listes de chiffres

7. Les fonctions

• Le concept, les paramètres, et return de fonction
• Les paramètres optionnels
• TP : les boucles et les fonctions – Analyse des données du Titanic !

8. Les librairies

• Importer et utiliser une librairie
• Utiliser le gestionnaire PIP

9. Maîtriser la librairie Numpy

• Créer un tableau et sélectionner des valeurs
• Faire des opérations dans un tableau
• Analyser et manipuler un tableau
• La fonction Arrange

10. Maîtriser la librairie Pandas

• Créer votre premier Dataframe
• Comprendre la composition d’un Dataframe
• Navigation et création d’une boucle dans un Dataframe
• Le Data Cleaning
• Les premières analyses avec Pandas
• Introduction au feature modeling
• Rassembler plusieurs jeux de données dans un Dataframe
• La gestion des dates
• Modifier le paramétrage de Pandas

11. Apprendre la Data Visualisation

• Créer son premier graphique
• Apprendre à gérer le multi-graph
• Bar Chart
• Histogramme de répartition
• Nuage de points et scatter matrix
• La librairie Seaborn

12. Maîtriser les API pour extraire de la data

• Qu’est-ce qu’une API ?
• Qu’est-ce que le format JSON ?
• Comment requêter une API en Python ?
• Transformer du JSON en Dataframe
• Dynamiser le paramétrage de vos appels API

13. Apprendre le Web Scraping

• Qu’est-ce que le Web Scraping ?
• La librairie BeautifulSoup

14. Maîtriser le langage SQL

• Introduction au SQL
• Faire des filtres dans votre base de données
• Faire des tris
• Faire des calculs en SQL
• Group By et les Alias
• Concepts de clé primaire et étrangère
• Faire des jointures en SQL

15. Une première approche de la statistique descriptive

• Les types de variables
• Les statistiques de base
• Qu’est-ce que la loi normale ?

16. Le Machine Learning

• Le concept du Machine Learning
• Comprendre le type de problème à résoudre
• Le Data Cleaning : analyse de la valeur à prédire
• Le Data Cleaning : vérifier le format des colonnes
• Le Data Cleaning : gestion des valeurs manquantes
• Le Data Cleaning : corriger des problèmes de logique dans certaines colonnes
• Le Data Modeling
• Concept de la régression linéaire
• Séparer le jeu de données entre entraînement et test
• Créer son premier modèle uni-varié
• La normalisation des variables
• Mise en pratique de la normalisation des variables
• Le dilemme biais-variance
• La gestion des variables avec catégories

Cours 2 : Machine Learning – Concepts et Projets Pratiques

1. Introduction et notions transverses

• Qu’est-ce que la Data Science ?
• Machine Learning par secteur d’activité
• Machine Learning par type d’application
• Déroulement d’une étude en Data Science
• Méthodes descriptives et prédictives
• Vocabulaire en Data Science
• Environnement de développement
• Avant de débuter : les prérequis
• Feature scaling
• Valeurs manquantes
• Construction d’un modèle de Machine Learning
• Évaluation d’un modèle de Machine Learning

2. Machine Learning supervisé

Régression :

• Régression linéaire simple
• Régression linéaire multiple
• Arbres de décision
• Forêts aléatoires (Random Forest)
  • Intuition
  • Représentation graphique
  • Fine Tuning
  • Avantages et inconvénients
  • Cas d’applications
  • Hyper-paramètres
  • Code Python (démo, exercices et correction)
• XGBoost (Extreme Gradient Boosting)
• KNN (K Nearest Neighbor)
• SVM (Support Vector Machine)

Classification :

• Régression logistique multiple
• Arbres de décision
• Forêts aléatoires (Random Forest)
• XGBoost (Extreme Gradient Boosting)
• KNN (K Nearest Neighbor)
• SVM (Support Vector Machine)

3. Notions transversales disséminées dans le cours

• Validation croisée et Bagging
• Imputation de valeurs manquantes
• Hyper-paramètres (Hyperparameter Tuning)

Le candidat doit être titulaire d’un diplôme ou Titre RNCP de niveau 6, ou de 180 crédits ECTS

Le candidat non titulaire d’un diplôme ou titre susmentionné, mais justifiant de plus de 2 années d’expériences dans des responsabilités en adéquation avec la certification visée peut être admis. Dans ce cas, une demande doit être adressée au certificateur qui est le seul à pouvoir valider l’inscription.

L’aboutissement logique de cette formation est le passage l’évaluation du bloc intitulé “”Développer une solution d’intelligence artificielle (Machine et Deep Learning) de la certification “”Chef de Projet en Intelligence Artificielle”” inscrite au RNCP sous le n° 36129.

En suivant cette formation, vous vous engagez à passer l’examen du bloc de cette certification. Il devra être passé après la formation et après vos révisions personnelles.

Dans le cadre de cette certification professionnelle inscrite au RNCP il vous sera demandé de fournir les données suivantes :

♦ Nom et prénom, date de naissance, lieu de naissance, coordonnées, expérience professionnelle avant et après la certification, fonction/statut, type de contrat nom de l’entreprise, rémunération brute annuelle à 6 mois et à 1 an/2 ans.

Ces informations sont collectées afin d’éditer le parchemin de certification, d’alimenter le passeport de compétences, et pour répondre à l’obligation de l’évaluation de l’impact économique et social de la certification professionnelle

Passage de l’évaluation bloc intitulé “”Développer une solution d’intelligence artificielle (Machine et Deep Learning) de la certification “”Chef de Projet en Intelligence Artificielle”” inscrite au RNCP sous le n° 36129

L’évaluation se déroule sur notre plateforme d’apprentissage en mode asynchrone et est constituée de 2 parties :

– 1 mise en situation professionnelle reconstituée sous forme d’étude de cas proposée au candidat : à partir d’un jeu de donnée d’entreprise, le candidat devra mettre en œuvre divers prétraitements et augmentation de données afin de rendre ces dernières exploitables par les techniques d’apprentissage automatisées. Durée de l’examen 1h30.

– 1 mise en situation professionnelle sous forme d’étude de cas proposée au candidat : en se basant sur une solution proposée, le candidat devra réaliser un rapport de synthèse et d’étonnement incluant : l’explication des choix de solutions IA implémentés, l’interprétation des résultats, l’évaluation de la fiabilité des algorithmes et une proposition d’optimisation. Durée de l’examen 1h30.

L’objectif de ce parcours de formation est de vous permettre de préparer l’évaluation du bloc intitulé “Développer une solution d’intelligence artificielle (Machine et Deep Learning) de la certification “Chef de Projet en Intelligence Artificielle” inscrite au RNCP sous le n° 36129.

A l’issue de cette formation vous serez en mesure :

– manipuler, analyser, visualiser des données grâce à Python

– maîtriser le language Python afin de construire des modèles de machine learning

– concevoir des solutions de machine learning appliquées à vos cas en entreprise

Formation en digital-learning, 100% en ligne, formée de vidéos, de quiz, de lectures et contenus complémentaires, d’un forum et selon les cas, de webinaires.

– conformément aux CGU du CPF (https://www.moncompteformation.gouv.fr/espace-public/conditions-generales-dutilisation) votre formation a une date de début et une date de fin contractuelle et convenues au moment de votre demande auprès du CPF. La formation doit avoir été réalisée entièrement à la date de fin de la formation.

– conformément aux CGU du CPF, vous serez présenté automatiquement à la fin de la période de formation au certificateur français inscrit au CPF. La planification de l’examen sera réalisée avec le certificateur français directement.

– si votre formation comprend une ou plusieurs certifications internationales, vous devrez nous en passer commande au maximum 1 mois après la date de fin de votre formation. Cette demande se fait par mail à l’adresse contact@skills4all.com. Si cette date est dépassée, il ne sera plus possible de passer commande de(s) la certification(s) internationale(s).

– nous vous encourageons à lire attentivement nos conditions d’usage de notre plateforme disponibles ici (https://lms.skills4all.com/admin/tool/policy/viewall.php). Ces conditions rappellent également les cas de force majeure acceptables en cas d’impossibilité de suivre la formation ou de passer sa certification.

Skills4All est un certificateur et organisme de formation en digital learning, qui vous prépare aux certifications les plus reconnues sur le marché : PMI, AXELOS, IASSC, DevOps Institute, PEOPLECERT, GASQ, CFTL, BESTCERTIFS, dans les domaines de la cybersécurité, de l’IT, la data, l’IA, l’agilité, Scrum, Prince2, Lean Six Sigma, Gestion de projet et bien plus encore.

Avec nous, c’est quand vous voulez, où vous voulez, 24/7/365, à votre rythme.

Nous proposons des formations certifiantes, éligibles au CPF et reconnues dans le monde entier.

Skills4All est accrédité par le COFRAC (Comité Français d’Accréditation) en tant que certificateur dans le domaine de la sécurité de l’information : nos certifications sont les meilleures du marché et répondent à la norme ISO 17024, la plus exigeante aujourd’hui. Obtenir une certification Skills4All ou BestCertifs aujourd’hui c’est le gage d’une reconnaissance forte du marché qui valorisera vos compétences.