Alle Kurse >
>

Das maschinelle Lernen (automatisches Lernen) ist heute eine der effizientesten Techniken, um das Wissen und den Wert der riesigen Datenmengen, die in Unternehmen gesammelt werden, zu erhöhen.

Erfahren Sie von einem Experten Artefact, wie Sie mit Python dank zahlreicher Spezialbibliotheken und einer aktiven Community Lösungen für maschinelles Lernen entwickeln können, die Ihren Anforderungen entsprechen.

Une formation sur 3 jours (3 x 7 heures) avec un parcours d'apprentissage clair et progressif. Wir wollen, dass Sie nicht auf der Strecke bleiben und erleichtern Ihnen die Aneignung von Kenntnissen, die Sie für Ihren Fortschritt benötigen.

Ziele

  • Entdecken Sie die größten Modelle für maschinelles Lernen
  • Verstehen Sie die Probleme der Klassifizierung, der Regression und des Clustering
  • Eine Lösung für maschinelles Lernen implementieren, messen und optimieren können

Gehen Sie mit der Fähigkeit nach Hause

Mit dieser Ausbildung, die Theorie, interaktive Übungen mit Python und angeleitete Fallstudien umfasst, werden Sie in der Lage sein, :

  1. Lernen Sie die verschiedenen Arten von Algorithmen des maschinellen Lernens kennen.
  2. Assimiler la démarche de mise en place d'un projet machine learning
  3. Implementierung eines komplexen Modells für maschinelles Lernen mit Hilfe von Hilfsmitteln
  4. Messen und Optimieren der großen Algorithmen für maschinelles Lernen
  5. Faire du text mining
  6. Faire du web scrapping

Schulungsunterlagen

  • Un book de fiches mémoires résumant les points clés de la formation
  • L'ensemble des codes présentés lors de la séance

Bewertung

Die Evaluierung des Erreichten erfolgt während der gesamten Dauer der Sitzung in Form von Workshops und praktischen Übungen. Am Ende der Sitzung wird eine systematische Evaluierung der Zufriedenheit der Teilnehmer durchgeführt und eine Bildungsbescheinigung an die Teilnehmer ausgehändigt, in der die Ziele der Bildung, die Art, das Programm und die Dauer der Bildungsmaßnahme sowie die Formalisierung des Erreichten erwähnt werden.

Voraussetzungen

Begriffe aus Python

Öffentlich

Die Evaluierung des Erreichten erfolgt während der gesamten Dauer der Sitzung in Form von Workshops und praktischen Übungen. Am Ende der Sitzung wird eine systematische Evaluierung der Zufriedenheit der Teilnehmer durchgeführt und eine Bildungsbescheinigung an die Teilnehmer ausgehändigt, in der die Ziele der Bildung, die Art, das Programm und die Dauer der Bildungsmaßnahme sowie die Formalisierung des Erreichten erwähnt werden.

Benötigtes Material

Aktueller Ordinateur (<5 Jahre) mit Verwaltungsrechten

Diesen Kurs buchen

Auf Anfrage



Ausbilderin

Rafaëlle Aygalenq

Rafaëlle Aygalenq

Bei Artefact hat Rafaëlle erfolgreich an verschiedenen komplexen Themen gearbeitet, von der Datenvermarktung über die Bildbearbeitung am Computer bis hin zum Umgang mit natürlicher Sprache und Prognosen für verschiedene Unternehmen.

Insbesondere verfügt Rafaëlle über Erfahrung in der Berechnung der Auswirkungen von Werbeaktionen im Zusammenhang mit der Umsatzplanung.

Tagesordnung des Kurses

Das maschinelle Lernen, erste Begriffe

3 Stunden

1.1 Einführung in maschinelles Lernen
Was ist maschinelles Lernen?
1. Anwendungsfälle im Alltag, Nutzung von ML durch Industrieunternehmen im heutigen Zeitalter
2. Was ist maschinelles Lernen? Definitionen und Zusammenfassung der wichtigsten Etappen
3. Mögliche Anwendungsfälle in den großen Branchen, ihre Besonderheiten und Gemeinsamkeiten
4. Compromis performance vs. interprétabilité : faut-il toujours choisir entre les deux ?

1.2 Apprentissage supervisé - Processus de Data Science
Fokus auf die häufigste Algorithmustypologie: die überwachte Ausbildung
1. Définition de la cible et des variables explicatives. Konstruktion des Datensatzes und Vorbereitung der Tabellen.
2. Auswahl und Durchführung des Modells: Bedeutung der deskriptiven Statistik und der Vorhersage von Variablen.
3. Quantifizierung und Darstellung der Leistung eines Modells bei gleichzeitiger Auswahl einer für unsere Bedürfnisse geeigneten Methode
Praktische Arbeiten

Beaufsichtigte Lehrlingsausbildung

4 Stunden

2.1 Apprentissage supervisé - Gestion du sur-apprentissage

Sur-apprentissage verstehen und vermeiden

  1. Lernen Sie die in den Daten identifizierten Tendenzen, aber nicht auswendig: die Probleme von Unter- und Überforderung
  2. Échantillonnage des données : die richtige Auswahl des Entraînement- und Test-Sets
  3. Die Eigenschaften von Daten in seinen Datenblöcken sichern: die geschichtete Datenerfassung
  4. Erfassen Sie im Test Werte, die Sie in der Startphase noch nie beobachtet haben.
  5. Bessere Nutzung der zur Verfügung stehenden Daten dank der Validierung im Querformat
  6. Besonderer Fall: zeitlich begrenzte Sendungen

 

2.2 Überwachtes Lernen - Klassische Algorithmen

Les grands algorithmes de l'apprentissages supervisé

  1. Die Entscheidungsbäume und die darauf basierenden Modelle: Altwälder und Gradientenverstärkung
  2. Les support vector machines
  3. Optimierung von Hyperparametern: Gittersuche und randomisierte Suche

Nicht beaufsichtigte Ausbildung

3 Stunden

3.1 Nicht beaufsichtigte Ausbildung (Apprentissage)

Was tun in Abwesenheit eines variablen Schlüssels?

  1. Methodik und Beispiel für eine nicht beaufsichtigte Ausbildung: Clustering mit k-means und Dbscan
  2. Koppeln Sie überwachte und nicht überwachte Ansätze, um verwertbare Ergebnisse zu erzielen.
  3. Un problem non supervisé classique : la réduction de dimension. Analyse von Hauptbestandteilen und Auswahl von Merkmalen

Texterkundung, Web Scraping

4 Stunden

4.1 Textmining

Auswerten von Textdateien

  1. Klärung der Terminologie und der möglichen Anwendungsfälle: NLP, NLU, NLG, NER
  2. Mögliche Quellen für Daten, die Sie für ein Projekt nutzen können
  3. Les étapes d'un pré traitement de texte : nettoyage, gestion des signes spéciaux, lemmatisation et racinisation
  4. Wichtigste Algorithmen : TF-IDF, Latent Dirichlet Analysis, Word2Vec, Doc2Vec, ...

 

4.2 Web Scraping

Extraire les données du web, différentes approches et mise en pratique

  1. Sammeln von Daten im Internet: Nutzung von API vs. Web Scraping. Kosten und Grenzen der beiden Vorgehensweisen.
  2. Verwendete Pakete : urllib und beautifulsoup. TP assoziiert
  3. Gesetzliche Auflagen: Sie haben nicht das Recht, alles zu tun, was Sie tun wollen!

Fallstudie - Erkunden Sie die Daten

4 Stunden

5.1 Aneignung von Datensammlungen

Mise en condition sur un projet de Data Science

  1. Präsentation der Plattform Kaggle und Extraktion eines Datensatzes
  2. Erkundung der Daten: Arten von Kolonnen / abweichende Werte, Verteilung der Werte.
  3. Visualisierung von Daten: univariate und bivariate Grafiken, Korrelationen zwischen Merkmalen
  4. Manipulation von Variablen: uneinheitliche Werte, Ausreißer, katalogisierbare Variablen und Feature Engineering

Étude de cas - modélisation et prédiction

3 Stunden

6.1 Erstellung eines Modells

Kalibrierung eines Modells

  1. Erstellung eines Entraînement- und Validierungstools, Definition des Bewertungsschemas.
  2. Auswahl der zu versuchenden Modelle und ihr Fahrverhalten. Leistungsmessungen auf der Zuggarnitur.
  3. Kalibrierung des Modells : validation croisée, hyperparamétrage (Gittersuche).

 

6.2 Vorhersage

Messen Sie die Leistung des Modells

  1. Prédiction sur le set de test. Fehlerbehebung bei Problemen (z.B. unklare Katalysatorvariable)
  2. Performancemessungen der Vorhersagen auf dem Testset und Vergleiche mit den Methoden auf dem Trainingsset.
  3. Untersuchung der Ergebnisse, Identifizierung des leistungsstärksten Modells, Erörterung möglicher Verbesserungsansätze.