O aprendizado de máquina (aprendizado automático) constitui hoje uma das técnicas mais eficazes para extrair o conhecimento e o valor da massa crescente de dados coletados no âmbito das empresas.
Descubra com um especialista Artefact como o Python, graças a um grande número de bibliotecas especializadas e uma comunidade ativa, permite que o senhor implemente soluções de aprendizado de máquina que atendam às suas necessidades.
Uma formação de 3 dias (3 x 7 horas) com um programa de aprendizado claro e progressivo. Nós nos esforçamos para que o senhor não se perca no caminho e facilitamos a memorização dos conhecimentos que o senhor precisa para avançar.
Objetivos
- Conheça os grandes modelos utilizados em aprendizado de máquina
- Compreender os problemas de classificação, regressão e agrupamento
- Saiba como implantar, medir e otimizar uma solução de aprendizado de máquina
Saia do curso com a capacidade de
Com essa formação que combina teoria, exercícios interativos com Python e estudos de caso guiados, o senhor terá a oportunidade de :
- Conhecer as diferentes tipologias de algoritmos de aprendizado de máquina
- Assimilar a estratégia de implementação de um projeto de aprendizado de máquina
- Implantar um modelo complexo de aprendizado de máquina com ferramentas
- Medir e otimizar os grandes algoritmos de aprendizado de máquina
- Faire du text mining
- Faire du web scrapping
Materiais de treinamento
- Um livro de fiches mémoires résumant les points clés de la formation
- O conjunto de códigos apresentados durante a sessão
Avaliação
A avaliação das aquisições é feita ao longo de toda a sessão, por meio de ateliês e de ações práticas. Uma avaliação detalhada sobre a satisfação dos estagiários é realizada sistematicamente no final da sessão e um atestado de formação é entregue aos participantes, mencionando os objetivos da formação, a natureza, o programa e a duração da ação de formação, bem como a formalização do acervo.
Pré-requisitos
Noções de Python
Público
A avaliação das aquisições é feita ao longo de toda a sessão, por meio de ateliês e de ações práticas. Uma avaliação detalhada sobre a satisfação dos estagiários é realizada sistematicamente no final da sessão e um atestado de formação é entregue aos participantes, mencionando os objetivos da formação, a natureza, o programa e a duração da ação de formação, bem como a formalização do acervo.
Material necessário
Ordinateur portable récent (<5 ans) avec droits d'administration
Agenda do curso
Aprendizado de máquina, primeiras noções
3 horas
1.1 Introdução ao aprendizado de máquina
O que é o aprendizado de máquina?
1. Casos de uso do cotidiano, utilização do ML por parte dos gerentes industriais de hoje
2. O que é o aprendizado de máquina? Definições e resumo das etapas
3. Casos de usos possíveis nos tipos de grandes setores, suas especificidades e pontos em comum
4. Compromisso desempenho vs. interprétabilité : faut-il toujours choisir entre les deux ?
1.2 Aprendizado supervisionado - Processo de Data Science
Foco na tipologia de algoritmo mais frequente: o aprendizado supervisionado
1. Definição da variável e das variáveis explicativas. Construção do jogo de dados e preparação dos gráficos.
2. Escolha e introdução do modelo: importância das estatísticas descritivas e previsão de variáveis.
3. Como quantificar e apresentar o desempenho de um modelo, mas escolhendo a métrica adaptada às nossas necessidades
Trabalhos práticos
Aprendizado supervisionado
4 horas
2.1 Aprendizagem supervisionada - Gestão da aprendizagem adicional
Compreender e evitar a sobreaprendizagem
- Aprender as tendências identificadas nos dados, mas não com o coração: os problemas de falta e sobreaprendizagem
- Encantilhamento de dados: escolha bem o conjunto de entrada e de teste
- Como preservar as características dos dados em seus arranjos: o arranjo estratificado
- Gerar a presença no teste de valores jamais observados na fase de entrada
- Melhor utilização dos dados à disposição graças à validação cruzada
- Caso particular: as séries temporais
2.2 Aprendizagem supervisionada - Algoritmos clássicos
Os grandes algoritmos de aprendizagem supervisionada
- Les arbres de décisions, et les modèles ensemblistes qui sont basés sur eux : forêts aléatoires et gradient boosting
- Máquinas de vetores de suporte
- Otimização de hiperparâmetros: busca em grade e busca aleatória
Aprendizagem não supervisionada
3 horas
3.1 Aprendizagem não supervisionada
O que fazer na ausência de uma variável cível?
- Metodologia e exemplo de aprendizado não supervisionado: clustering com k-means e Dbscan
- Acoplar as abordagens supervisionadas e não supervisionadas para obter resultados mais exploráveis.
- Um problema não supervisionado clássico: a redução de dimensão. Análise de componentes principais e seleção de recursos
Exploração de texto, raspagem da Web
4 horas
4.1 Mineração de texto
Explorar os dados textuais
- Esclarecimento da terminologia e dos casos de uso possíveis: NLP, NLU, NLG, NER
- As fontes de dados que podem ser utilizadas em um projeto
- Les étapes d'un pré traitement de texte : nettoyage, gestion des signes spéciaux, lemmatisation et racinisation
- Principais algoritmos: TF-IDF, Latent Dirichlet Analysis, Word2Vec, Doc2Vec, ...
4.2 Raspagem da Web
Extrair os dados da Web, diferentes abordagens e aplicação prática
- Coleta de dados da Web: utilização de API vs. raspagem da Web. Custos e limites das duas abordagens.
- Pacotes utilizados: urllib e beautifulsoup. TP associado
- Contraintes légales : on n'a pas le droit de faire tout ce qu'on est en mesure de faire !
Estudo de caso - Explorer la donnée
4 horas
5.1 Apropriação de dados
Mise en condition sur un projet de Data Science
- Apresentação da plataforma Kaggle e extração de um jogo de dados
- Exploração de dados: tipos de colônias / valores manchados ou aberrantes, distribuição de valores.
- Visualização de dados: gráficos univariados e bivariados, correlação entre recursos
- Manipulação de variáveis: valores manchantes, outliers, gerador de variáveis categóricas e engenharia de recursos
Estudo de caso - modelagem e previsão
3 horas
6.1 Criação de modelo
Calibração de um modelo
- Criação de um mecanismo de treinamento e validação, definição da métrica de pontuação.
- Escolha dos modelos a serem testados e seu funcionamento. Medidas de desempenho no conjunto de trens.
- Calibração do modelo: validação cruzada, hiperparametragem (pesquisa de grade).
6.2 Predição
Medir o desempenho do modelo
- Predição sobre o conjunto de testes. Correção de bugs em caso de problemas (ex.: variável catégorielle inconnue)
- Medidas de desempenho das previsões sobre o conjunto de teste e comparações com as métricas sobre o conjunto de treinamento.
- Estudo dos resultados, identificação do modelo de melhor desempenho, discussão de possíveis caminhos de aprimoramento.
