Boot camp-Machine learning | EDP | Séminaire de Sherbrooke

Durée : 45 heures
(9h par semaine X 5 semaines)

Lundis, mardis, mercredis soirs, 18h00 à 21h00

En ligne

Plateforme TEAM

Séance d'information : 13 février 2025

JE M'INSCRIS À LA SÉANCE D'INFORMATION

MA DEMANDE D'ADMISSION

Formation admissible au financement offert par Services Québec

Programme offert en partenariat avec :

Cette formation a pour objectif de comprendre les concepts fondamentaux du Machine Learning (ML) et de fournir aux participants les compétences pratiques nécessaires pour appliquer des techniques de ML à des problèmes réels, comme identifier des causes de problèmes, prédire une défaillance mécanique ou la demande pour vos produits, en passant par les modèles de langage.
Les apprenants exploreront des outils modernes tels qu'AWS Sagemaker Studio Lab, assimileront les méthodologies d'ingénierie des données et maîtriseront divers modèles d'apprentissage supervisés et non supervisés. En fin de formation, les participants seront à l’aise avec le déploiement et la gestion de modèles ML dans des contextes professionnels.

Profil d’individu recherché

Cette formation s'adresse aux :

Analystes de données souhaitant approfondir leurs connaissances en modélisation prédictive.
Professionnels de l'informatique et d’autres secteurs techniques voulant se familiariser avec les outils et techniques de Machine Learning.
Développeurs désirant intégrer le Machine Learning dans leurs projets.
Débutants motivés ayant une base en programmation (Python recommandé).

MODALITÉS

Durée : 45 heures (incluant théorie et exercices pratiques).
Prérequis : Connaissance de base en programmation Python.
Format : à distance avec support interactif.
Horaires : 3 heures par soir, 3 jours par semaine sur une période de 5 semaines.

Contenu de la formation

Volet 1 : Introduction

Différenciation entre Machine Learning (ML) et Intelligence Artifi cielle (AI).
Définitions et types d'apprentissages (supervisé, non supervisé, semi-supervisé, etc.).
Fonctionnement de l'apprentissage supervisé.
Données concernées
Outils
-Prise en main d'AWS Sagemaker Studio Lab, un outil puissant pour créer, entraîner et déployer des modèles de Machine Learning dans un environnement intégré, idéal pour les débutants comme pour les experts.
-Installation des extensions utiles (jupyter-ai, jupyterlab-chart-editor, jupyterlab-git).
-Introduction au clonage de projets et navigation dans un environnement notebook.
-Exploration des frameworks de Machine Learning populaires (sklearn, TensorFlow, Hugging Face).

Volet 2 : Modèle linéaire

Régression linéaire : construction et visualisation de modèles avec Plotly.
Métriques d'évaluation : coeffi cient de détermination (R²), p-value.
Concepts avancés tels que régression multilinéaire, overfi tting et s'assurer qu'un modèle sera effi cace pour prédire des données nouvelles ou inconnues.
Techniques de validation et de sélection de variables (train\_test\_split, SelectKBest, RFE, RFECV).

Volet 3 : Méthodologie de base

Ingénierie des données et imputations (SimpleImputer, IterativeImputer).
Modélisation par régression logistique.
Visualisation et analyse des métriques de performance.

Volet 4 : Arbres de décision

Modélisation avec arbres de classifi cation et de régression.
Techniques avancées : Bagging, RandomForest, XGBoost.

Volet 5 : ALGORITHMES KNN

Classification et régression avec k-nearest neighbors (kNN).
Séries temporelles: prédictions avec Skforecast, SARIMAX et RandomForest.
Apprentissage non supervisé: regroupement de données : k-means, clustering spectral, DBSCAN, HDBSCAN.
Réseaux neuronaux (RN): introduction aux architectures de réseaux neuronaux : MLP, CNN, et modèles de langage (LLM), avec des exemples pratiques comme la classifi cation d'images, la reconnaissance vocale et la génération de texte.

Dates

Début de la prochaine cohorte: MAI 2025

Mai: 5,6,7, 12,13,14, 20,21, 26,27,28

Juin: 2,3,4,9

Formule intensive et approche immersive

Coûts

Frais d'inscription	150$
Frais de la formation	950$
Frais de matériel pédagogique	Aucun