Machine Learning using Python Certification Course

Cours de certification en apprentissage automatique avec Python

Libérez le potentiel des données avec le cours d'apprentissage automatique avec Python

Aperçu du cours

Ce cours de Machine Learning avec Python offre un aperçu approfondi des sujets de ML, y compris le travail avec des données en temps réel, le développement d'algorithmes d'apprentissage supervisé et non supervisé, la régression, la classification et la modélisation des séries temporelles. Dans ce cours de formation à la certification en apprentissage automatique, vous apprendrez à utiliser Python pour faire des prédictions basées sur des données. À l'issue de ce cours de Machine Learning avec Python, vous recevrez un certificat attestant de vos compétences en tant qu'expert en apprentissage automatique.

Débloquez le potentiel des données avec le cours de machine learning avec Python

• Réussissez dans votre carrière avec notre cours complet de machine learning.
• Obtenez du soutien de la part de mentors pendant votre processus d'apprentissage.
• Maîtrisez les concepts clés de l'apprentissage automatique pour la certification
• Acquérez les compétences nécessaires pour devenir un ingénieur en apprentissage automatique prospère.

Apprentissage automatique avec Python - Caractéristiques principales

• Le cours et le matériel sont en anglais.
• Niveau débutant - intermédiaire pour les professionnels
• Plus de 35 heures d'apprentissage mixte
• 32 heures de cours en direct en ligne et 6 heures de contenu eLearning à votre rythme
• Accès d'un an à la plateforme d'apprentissage en ligne auto-dirigée 24/7 et aux enregistrements de cours
• Flexi Pass activé : Capacité de reprogrammer votre cohorte dans les 90 premiers jours d'accès. 90 jours d'accès flexible aux cours en ligne
• 50 heures minimum de temps d'étude recommandé
• 3 projets finaux et test de simulation
• Pas d'examen pour le cours, mais l'étudiant recevra un certificat de fin de formation.

Bonus : En plus de ce cours e-learning pratique, nous vous offrons un accès gratuit à nos sessions de classe en ligne dès qu'elles sont disponibles (tous les 2-3 mois) en complément de votre e-learning si vous le souhaitez. Vous aurez l'opportunité d'interagir avec le formateur et les autres participants. Ces sessions de classe en ligne seront également enregistrées, afin que vous puissiez conserver l'enregistrement pendant 1 an.

Compétences couvertes

• Apprentissage supervisé et non supervisé
• Régression linéaire et logistique
• Clustering KMeans
• Arbre de décision
• Techniques de Boosting et Bagging
• Modélisation des séries temporelles
• SVM avec noyaux
• Naïve Bayes
• Classificateurs de forêt aléatoire
• Les bases de l'apprentissage profond

Résultats d'apprentissage clés

Ce cours d'apprentissage automatique avec Python vous permettra de :

• Examinez les différents types d'apprentissage automatique et leurs caractéristiques respectives.
• Analysez le pipeline d'apprentissage automatique et comprenez les principales opérations impliquées dans les opérations d'apprentissage automatique (MLOps).
• Découvrez l'apprentissage supervisé et sa large gamme d'applications.
• Comprendre les concepts de surapprentissage et de sous-apprentissage et utiliser des techniques pour les détecter et les prévenir.
• Analyser différents modèles de régression et leur adéquation pour différents scénarios.
• Identifier la linéarité entre les variables et créer des cartes de corrélation.
• Listez les différents types d'algorithmes de classification et comprenez leurs applications spécifiques.
• Maîtrisez les différents types de méthodes d'apprentissage non supervisé et quand les utiliser.
• Acquérez une compréhension approfondie des différentes techniques de clustering en apprentissage non supervisé.
• Investiguer différentes techniques de modélisation par ensembles, telles que le bagging, le boosting et le stacking.
• Évaluer et comparer différents frameworks d'apprentissage automatique, y compris
• TensorFlow et Keras.
• Construisez un moteur de recommandation en utilisant PyTorch
• Créer des visualisations avec Matplotlib, Seaborn, Plotly et Bokeh.

Qui devrait s'inscrire à ce programme ?

Un ingénieur en données de premier plan construit et maintient des structures et des architectures de données pour l'ingestion, le traitement et le déploiement des données pour des applications à grande échelle et intensives en données. C'est une carrière prometteuse pour les professionnels débutants et expérimentés ayant une passion pour les données, y compris :

• Scientifique des données
• Ingénieur en apprentissage automatique
• Ingénieur en Intelligence Artificielle
• Développeur en intelligence d'affaires
• Ingénieur logiciel
• Chercheur en IA
• Ingénieur en traitement du langage naturel
• Chef de produit IA

Pré-requis

Les apprenants doivent posséder un diplôme de premier cycle ou un diplôme de fin d'études secondaires. Une compréhension des statistiques de base et des mathématiques au niveau universitaire. La familiarité avec la programmation Python est également bénéfique. Avant de commencer la formation de certification Python en apprentissage automatique, il est important de comprendre les cours fondamentaux, y compris Python pour la science des données, les rappels de mathématiques et les statistiques essentielles pour la science des données.

Admissibilité

Le cours de certification en apprentissage automatique utilisant Python est bien adapté aux participants de niveau intermédiaire, y compris les responsables analytiques, les analystes commerciaux, les architectes de l'information, les développeurs cherchant à devenir ingénieurs en apprentissage automatique ou scientifiques des données, et les diplômés cherchant une carrière en science des données et apprentissage automatique.

Curriculum

1. Introduction au cours
2. Introduction à l'apprentissage automatique
3. Apprentissage supervisé
4. Régression et ses applications
5. Classification et ses applications
6. Algorithmes pour l'apprentissage non supervisé
7. Apprentissage par ensemble
8. Systèmes recommandés

Leçon 1 : Introduction au cours

Commencez ce programme en comprenant les composants du cours et les sujets abordés. Cela vous aidera à être prêt pour les prochaines sessions.

Leçon 2 : Introduction à l'apprentissage automatique

Le cours couvre les concepts de base de l'apprentissage automatique, y compris sa définition et ses différents types. Il explore également le pipeline de l'apprentissage automatique, MLOps et AutoML, en fournissant des insights sur le déploiement des modèles d'apprentissage automatique à grande échelle. De plus, les étudiants seront introduits aux principaux packages Python pour les tâches d'apprentissage automatique, leur permettant de tirer parti de l'écosystème robuste de Python pour développer des solutions d'apprentissage automatique.

Sujets abordés :

• Qu'est-ce que l'apprentissage automatique ?
• Différents types d'apprentissage automatique
• Pipeline d'apprentissage automatique, MLOps et AutoML
• Introduction aux packages Python pour l'apprentissage automatique

Leçon 3 : Apprentissage supervisé

La section sur l'apprentissage supervisé explore ses applications pratiques dans différents domaines et est accompagnée de discussions sur sa pertinence et son importance dans des scénarios réels. Les étudiants participeront à des activités pratiques pour préparer et façonner les données pour les tâches d'apprentissage supervisé, suivies de discussions sur le surapprentissage et le sous-apprentissage. De plus, des exercices pratiques pour détecter et prévenir ces problèmes ainsi que des aperçus sur les techniques de régularisation pour optimiser la performance du modèle et atténuer le surapprentissage sont fournis.

Sujets abordés :

• Apprentissage supervisé
• Applications de l'apprentissage supervisé
• Surqualification et sous-qualification
• Régularisation

Leçon 4 : La régression et son application

Ce segment explore les bases de l'analyse de régression, en couvrant sa définition et ses différents types, y compris la régression linéaire, logistique, polynomiale, ridge et lasso. Les discussions mettent en lumière les hypothèses critiques sous-jacentes à la régression linéaire et les exercices pratiques offrent une expérience concrète en modélisation de régression linéaire. Les participants s'engagent également dans l'exploration des données en utilisant des techniques telles que le suréchantillonnage SMOTE et préparent, construisent et évaluent des modèles de régression pour acquérir une maîtrise de l'analyse de régression.

Sujets abordés :

• Qu'est-ce que la régression ?
• Types de régression
• Régression linéaire
• Hypothèses critiques pour la régression linéaire
• Régression logistique
• Suréchantillonnage en utilisant SMOTE
• Régression polynomiale
• Régression ridge
• Régression Lasso

Leçon 5 : Classification et ses applications

Cette session couvrira les algorithmes de classification ainsi que leurs définitions, types et applications, et la sélection des paramètres de performance. Les participants sont immergés dans diverses techniques de classification, telles que Naive Bayes, la descente de gradient stochastique, les k-plus proches voisins, les arbres de décision, les forêts aléatoires, Boruta et les machines à vecteurs de support, à travers des discussions et des exercices assistés. Les concepts clés tels que le Kappa de Cohen sont également abordés, suivis de vérifications des connaissances pour renforcer la compréhension.

Sujets abordés :

• Qu'est-ce que les algorithmes de classification ?
• Différents types de classification
• Types d'applications et choix des paramètres de performance
• Naïve Bayes
• Descente de gradient stochastique
• K-plus proches voisins
• Arbre de décision Forêt aléatoire
• Boruta
• Machine à vecteurs de support
• La cape de Cohen

Leçon 6 : Algorithmes non supervisés

Ce segment introduit les étudiants aux algorithmes non supervisés, en couvrant leurs types, applications et paramètres de performance. Les participants s'engagent dans des activités pratiques telles que la visualisation des résultats et l'application de techniques telles que le clustering hiérarchique, le clustering K-Means et l'algorithme K-Medoids. De plus, ils explorent les méthodes de détection des anomalies et les techniques de réduction de dimensionnalité telles que l'analyse en composantes principales (ACP), la décomposition en valeurs singulières et l'analyse en composantes indépendantes. Les applications pratiques de ces algorithmes sont démontrées à travers des exercices guidés, renforçant ainsi la compréhension des concepts d'apprentissage non supervisé par les étudiants.

Sujets abordés :

• Algorithmes non supervisés
• Différents types d'algorithmes non supervisés
• Quand utiliser des algorithmes non supervisés ?
• Paramètres de performance
• Types de regroupement
• Clustering K-Means
• Algorithme K-Médoïdes
• Valeurs aberrantes
• Détection des valeurs aberrantes
• Analyse en composantes principales
• Analyse de correspondance et analyse de correspondance multiple (ACM)
• Décomposition en valeurs singulières
• Analyse en composantes indépendantes
• Réduction itérative équilibrée et regroupement utilisant des hiérarchies (BIRCH)

Leçon 7 : Apprentissage par ensemble

Dans cette section, nous plongeons dans les techniques d'apprentissage par ensemble et explorons les méthodes d'ensemble séquentielles et parallèles. Les étudiants découvrent différentes méthodes d'ensemble, telles que le bagging, le boosting et le stacking, ainsi que leurs applications pratiques. Grâce à des exercices guidés, les participants acquièrent une expérience pratique dans la mise en œuvre des techniques d'ensemble pour réduire les erreurs et améliorer les performances des modèles. De plus, ils explorent des stratégies telles que la moyenne et le vote maximal pour améliorer encore les résultats de l'apprentissage en ensemble.

Sujets abordés :

• Apprentissage ensembliste
• Technique d'ensemble séquentiel
• Technique d'ensemble parallèle
• Différents types de méthodes d'ensemble
• Sacs
• Renforcement
• Empilage

Leçon 8 : Systèmes de recommandation

Ce module offre un aperçu complet des moteurs de recommandation et explore leurs principes et mécanismes sous-jacents. Les participants sont plongés dans divers cas d'utilisation et exemples de systèmes de recommandation et acquièrent des connaissances sur leur conception et leur mise en œuvre. Grâce à des exercices pratiques, les participants appliquent des techniques de filtrage collaboratif, y compris la modélisation basée sur la mémoire, le filtrage basé sur les objets et les utilisateurs, et le filtrage collaboratif basé sur des modèles. De plus, ils explorent la réduction de dimensionnalité, les méthodes de factorisation de matrices et les matrices de précision en apprentissage automatique pour évaluer et optimiser la performance des moteurs de recommandation.

Sujets abordés :

• Comment fonctionnent les moteurs de recommandation ?
• Cas d'utilisation des moteurs de recommandation
• Exemples de systèmes de recommandation et comment ils sont conçus
• Utilisez PyTorch pour construire un moteur de recommandation.

Projets dans l'industrie

À la fin du cours, vous réaliserez deux projets. Vous appliquerez tous vos apprentissages et gagnerez une expérience pratique en travaillant avec vos nouvelles connaissances.

• Projet 1 : Analyse du turnover du personnel - Créer des programmes ML pour prédire le turnover du personnel, y compris des vérifications de la qualité des données, l'EDA, le clustering, etc., et proposer des stratégies de rétention du personnel basées sur des scores de probabilité.
• Projet 2 : Segmentation des chansons - Effectuer une analyse exploratoire des données et une analyse de cluster pour créer des cohortes de chansons.

Cours Bonus :

Bonus 1 : Révision de mathématiques

• Probabilités et statistiques
• Géométrie analytique
• Algèbre Linéaire
• Valeurs propres Vecteurs propres et décomposition en valeurs propres
• Introduction au calcul

Bonus 2 : Statistiques essentielles pour la science des données

• Introduction à la statistique
• Comprendre les données
• Statistiques descriptives
• Visualisation des données
• Probabilité
• Distributions de probabilité
• Échantillonnage et techniques d'échantillonnage
• Statistiques inférentielles
• Application des statistiques inférentielles
• Relation entre les variables
• Application des statistiques en entreprise
• Pratique assistée

Certificat

Après avoir terminé ce cours de Machine Learning avec Python, vous recevrez un certificat, qui témoignera de vos compétences en tant qu'expert en apprentissage automatique.