• Votre sélection est vide.

    Enregistrez les diplômes, parcours ou enseignements de votre choix.

TYPE DE DIPLOME : Formation qualifiante

FQ Introduction au machine learning et au deep learning, mise en oeuvre en Python

Domaine : Sciences, Technologies, Santé
 
Spécialité : Mathématiques-Informatique ; Programmation
  • Faculté

    Faculté des Sciences

Présentation

L’apprentissage machine (machine learning) est une discipline scientifique qui s'intéresse à la conception et au développement d'algorithmes permettant aux ordinateurs d'apprendre à prendre des décisions à partir de données. L'ensemble des données potentiellement utiles pour alimenter une tâche d'apprentissage est très vaste et varié, ce qui rend la modélisation et les hypothèses préalables critiques pour la conception d'algorithmes pertinents. Ce stage se concentre sur la méthodologie sous-jacente à l'apprentissage supervisé avec un accent particulier sur la formulation mathématique des algorithmes et la façon dont ils peuvent être mis en oeuvre et utilisés dans la pratique.

Lire plus

Objectifs

Comprendre le fonctionnement d’un algorithme de machine learning et de deep learning:

- Savoir mettre en oeuvre les algorithmes avec Python

- Connaitre les différentes étapes de traitement de la donnée avant l’application d’un algorithme de machine learning

- Savoir évaluer la performance des algorithmes de machine learning

Lire plus

Programme

  • Introduction à l’apprentissage supervisé : régression et classification binaire, métriques d’évaluation classiques et quelques « recettes de cuisine » (cross-validation, overfitting)
  • Méthodes linéaires : LDA, modèles linéaires généralisés, régression logistique. SVM minéaire : hinge, loss, méthodes de régularisation ridge, lasso, problèmes en grande dimension
  • Méthodes non-linéaires : arbres de décision, CART, boosting, XGBoost, LightGBM, random forests, méthodes à noyaux
  • Méthodes d’optimisation pour le machine learning : coordinate gradient descent, descente de

gradient stochastique et améliorations

  • Deep learning : feed-forward neural networks, convolutional neural networks, back-propagation,algorithmes stochastiques pour l’entrainement, early stopping, méthodes d’initialisation, regularisation dropout, mise en oeuvre avec tensorflow et keras
Lire plus

Aménagements particuliers

Alternance de cours (50 %) et d’ateliers (50 %)

Lire plus

Admission

Public cible

Développeurs informatiques, ingénieurs, techniciens, data scientists, chercheurs en informatique ou en mathématiques

Lire plus

Pré-requis

Avoir une expérience en programmation, et des notions en mathématiques (dérivée d’une fonction, algèbre linéaire). Niveau L3 minimum en informatique ou en mathématiques appliquées.

Lire plus

Droits de scolarité

1800 euros

Lire plus

Frais de formation

    1800 euros

A lire aussi

Formation | Université de Paris
Tout savoir sur les JPO 2021

En 2021, venez découvrir les formations post-bac d’Université de Paris lors de nos Journées Portes Ouvertes virtuelles.

Formation | Université de Paris
État d’urgence sanitaire – FAQ spéciale étudiant.e.s

Formation | Université de Paris
Enquête sur le suivi des cours et le vécu des évaluations à l’issue du premier confinement – Juin 2020

Formation | Université de Paris
Conditions d’études pendant le confinement : résultats d’enquêtes menées dans d’autres universités

  • Ajouter à la sélection

    Vous avez formations et cours sauvegardés

  • S'inscrire