Alle cursussen >
>

Automatisch leren (machine learning) is tegenwoordig een van de meest efficiënte technieken om de kennis en waarde van de enorme hoeveelheid verzamelde gegevens binnen bedrijven te vergroten.

Ontdek samen met een expert Artefact hoe Python, dankzij de vele gespecialiseerde librairies en een actieve gemeenschap, u in staat stelt oplossingen voor machinaal leren te implementeren die aan uw behoeften voldoen.

Een training van 3 uur (3 x 7 uur) met een duidelijk en progressief leerparcours. Wij zorgen ervoor dat u niet achterop raakt en vergemakkelijken het opdoen van kennis die u nodig hebt om verder te komen.

Doelstellingen

  • Ontdek de grote gebruikte modellen voor Machine Learning
  • Classificatie-, regressie- en clusteringsproblemen begrijpen
  • Een oplossing voor machinaal leren implementeren, meten en optimaliseren

Loop weg met de mogelijkheid om

Met deze combinatie van theorie, interactieve oefeningen met Python en casestudy's bent u in staat om :

  1. Leer de verschillende algoritmetypes van Machine Learning kennen
  2. Assimileer de implementatiestrategie van een project voor machinaal leren
  3. Een complex model van machinaal leren implementeren met hulpmiddelen
  4. De belangrijkste algoritmen voor machinaal leren verbeteren en optimaliseren
  5. Tekst ontginnen
  6. Web scrappen

Opleidingsmateriaal

  • Un book de fiches mémoires résumant les points clés de la formation
  • Alle codes die tijdens de bijeenkomst zijn gepresenteerd

Beoordeling

L'évaluation des acquis se fait tout au long de la session au travers des ateliers et des mises en pratique. Een evaluatie van de tevredenheid van de stagiairs wordt systematisch uitgevoerd aan het einde van de sessie en een vormingsattest wordt afgegeven aan de deelnemers met vermelding van de doelstellingen van de vorming, de aard, het programma en de duur van de vormingsactie evenals de formalisering van de verworvenheden.

Vereisten

Python begrippen

Openbaar

L'évaluation des acquis se fait tout au long de la session au travers des ateliers et des mises en pratique. Een evaluatie van de tevredenheid van de stagiairs wordt systematisch uitgevoerd aan het einde van de sessie en een vormingsattest wordt afgegeven aan de deelnemers met vermelding van de doelstellingen van de vorming, de aard, het programma en de duur van de vormingsactie evenals de formalisering van de verworvenheden.

Vereist materiaal

Nieuwe draagbare computer (<5 jaar) met beheerrechten

Boek deze cursus

Op aanvraag



Hoofdinstructeur

Rafaëlle Aygalenq

Rafaëlle Aygalenq

Bij Artefact heeft Rafaëlle met succes gewerkt aan verschillende complexe onderwerpen, variërend van marketing van gegevens tot beeldvorming via een computer, en vervolgens aan de behandeling van de natuurlijke taal en het opstellen van prévisies voor verschillende bedrijven.

In het bijzonder heeft Rafaëlle veel ervaring met het berekenen van de impact van promoties in de context van de verkoopprognoses.

Cursusagenda

Automatisch leren, eerste beginselen

3 uur

1.1 Inleiding au Machine Learning
Wat is Machine Learning?
1. Cas d'usages du quotidien, utilisation du ML par les géants industriels d'aujourd'hui
2. Wat is Machine Learning? Definities en overzicht van de verschillende stappen
3. Mogelijke toepassingen in grote bedrijfstypes, hun specifieke kenmerken en gemeenschappelijke punten
4. Compromis prestaties vs. interprétabiliteit: faut-il toujours choisir entre les deux?

1.2 Leerlingbegeleiding - Processus de Data Wetenschap
Focus op de meest voorkomende algoritme-typologie: l'apprentissage supervisé
1. Definitie van het object en expliciete variabelen. 2. Construction du jeu de données et préparation des échantillons.
2. Keuze en uitvoering van het model: belang van beschrijvende statistieken en bepaling van variabelen.
3. Comment quantifier et présenter la performance d'un modèle tout en choisissant la métrique adaptée à notre besoin
Praktijkopdrachten

Leerlingbegeleiding

4 uur

2.1 Leerlingbegeleiding - Beheer van de vervolgopleiding

Comprendre et éviter le sur-apprentissage

  1. Leer de geïdentificeerde tendensen in de gegevens, maar niet uit de eerste hand: de problemen met deous en sur-apprentissage
  2. Échantillonnage des données: kies de juiste set om te belasten en te testen
  3. Garder les caractéristiques des données dans ses échantillons: l'échantillonnage stratifié
  4. Gérer la présence dans le test de valeurs jamais observées en phase d'entraînement
  5. Beter gebruik maken van de beschikbare gegevens dankzij een verbeterde validatie
  6. Bijzonder geval: tijdelijke uitzendingen

 

2.2 Leerlingbegeleiding - Klassieke algoritmen

De grote algoritmes van het leerlingwezen onder toezicht

  1. Beslissingsbomen en de daarop gebaseerde ensemblistische modellen: forêts aléatoires en gradient boosting
  2. Les ondersteunende vectormachines
  3. Optimalisatie van hyperparameters: rasterzoeken en gerandomiseerd zoeken

Leerling zonder toezicht

3 uur

3.1 Leerlingwezen zonder toezicht

Wat te doen bij afwezigheid van een variabele tastatuur?

  1. Werkwijze en voorbeeld van niet-begeleide opleiding: clustering met k-means en Dbscan
  2. Koppel de supervisées en non supervisées benaderingen aan elkaar om meer exploiteerbare resultaten te verkrijgen.
  3. Een klassikaal niet-superviseerbaar probleem: dimensiereductie. Analyse van hoofdcomponenten en kenmerkselectie

Tekstverkenning, web scraping

4 uur

4.1 Tekstmijnbouw

Tekstuele gegevens exploiteren

  1. Verduidelijking van de terminologie en mogelijke gevallen van gebruik: NLP, NLU, NLG, NER
  2. Mogelijke bronnen van gegevens voor gebruik in een project
  3. Les étapes d'un pré traitement de texte : nettoyage, gestion des signes spéciaux, lemmatisation et racinisation
  4. Belangrijkste algoritmes: TF-IDF, Latente Dirichletanalyse, Word2Vec, Doc2Vec, ...

 

4.2 Schrapen van websites

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

  1. Verzamelen van webgegevens: gebruik van API's vs. web scraping. Kosten en beperkingen van de twee benaderingen.
  2. Gebruikte pakketten: urllib en beautifulsoup. TP geassocieerd
  3. Contraintes légales : on n'a pas le droit de faire tout ce qu'on est en mesure de faire!

Casestudie - Bekijk de gegevens

4 uur

5.1 Toe-eigening van jeux de données

Mise en condition sur un projet de Data Wetenschap

  1. Présentation de la plateforme Kaggle et extraction d'un jeu de données
  2. Verkenning van de gegevens: types colonnes / afwijkende waarden, verdeling van waarden.
  3. Visualisatie van gegevens: een- en tweewaardige grafieken, correlatie tussen kenmerken
  4. Manipulatie van variabelen: afwijkende waarden, uitschieters, catalogusvariabelen en feature engineering

Étude de cas - modélisation et prédiction

3 uur

6.1 Ontwerp van het model

Kalibratie van een model

  1. Creatie van een animatie- en validatiemodel, definitie van een scoremethode.
  2. Keuze van de te gebruiken modellen en hun entraînement. Prestatiemetingen op de trein.
  3. Modelkalibratie: kruisvalidatie, hyperparametrage (raster zoeken).

 

6.2 Voorspelling

De prestaties van het model meten

  1. Prédiction sur le set de test. Bug-fixing in geval van problemen (bijv. variabele catégorielle inconnue)
  2. Prestatiemetingen van voorspellingen op de testset en vergelijkingen met de voorspellingen op de trainingsset.
  3. Studie van de resultaten, identificatie van het best presterende model, bespreking van mogelijke verbeteringsmethoden.