L'organisme de formation continue du CNRS
Accueil > Introduction au Machine Learning et au Deep Learning avec Python

Formation - Introduction au Machine Learning et au Deep Learning avec Python

Se préinscrire ou s'inscrire à cette formation Télécharger cette fiche
Environnement scientifique et technique de la formation

Laboratoire de probabilités, statistique et modélisation

- UMR 8001
RESPONSABLE

Vincent LEMAIRE

Maître de conférences

UMR 8001

LIEU

PARIS (75)

ORGANISATION

21 h
De 6 à 24 stagiaires

MÉTHODES PÉDAGOGIQUES

Tous les supports (slides, notebooks corrigés, etc.) seront remis aux participants.
Tout au long de la formation, des cas pratiques ou exercices corrigés permettront à l'apprenant d'évaluer l'acquisition des compétences.

COÛT PÉDAGOGIQUE

1836 Euros

A L'ISSUE DE LA FORMATION

Evaluation de la formation par les stagiaires
Envoi d'une attestation de formation

DATE DU STAGE

25015 : du mercredi 11/06/2025 au vendredi 13/06/2025 à PARIS

2025
Janvier Février Mars Avril
Mai Juin
25015		 Juillet Août
Sept Oct Nov Déc
OBJECTIFS
-

Comprendre les concepts mathématiques des méthodes de l'apprentissage statistique supervisé (régression et classification)


-

Connaître les principaux algorithmes du Deep Learning


-

Utiliser les modules python pour la mise en ?uvre des méthodes de Machine Learning et de Deep Learning


-

Choisir les algorithmes adaptés aux cas d'usages


-

Interpréter les résultats des algorithmes et identifier leurs limites

PUBLIC
Chercheurs et ingénieurs en lien avec des problématiques de sciences des données, allant des sciences expérimentales aux sciences humaines ; Data-Scientists, Data-Miners et développeurs souhaitant aborder l'état de l'art en sciences des données.
PRÉREQUIS
Connaissances de base en probabilités et statistique ; connaissances de base en Python
PROGRAMME
L'apprentissage automatique (Machine Learning) est la partie de l'intelligence artificielle qui se fonde sur des modèles mathématiques pour permettre aux ordinateurs d'apprendre et d'effectuer des tâches à partir de données. Ce champ recouvre la conception et l'analyse de modèles et de méthodes ainsi que le développement, l'optimisation et l'implémentation d'algorithmes.

Cette formation abordera les concepts statistiques et les méthodes d'apprentissage supervisé (régression et classification), leur mise en ?uvre pratique et leur interprétation.

- Introduction à l'apprentissage supervisé : régression et classification, fonctions de coût, classifieur de Bayes, métriques d'évaluation, concepts de validation croisée et de sur-apprentissage, gradient stochastique et optimisation.
- Méthodes linéaires : modèles linéaires généralisés, régression logistique, méthodes de régularisation Ridge, Lasso, problèmes en grande dimension.
- Méthodes non linéaires : arbres de décision, CART, Boosting, forêts aléatoires. Utilisation de Scikit-Learn (module Python).
- Introduction aux réseaux de neurones profonds (Deep Neural nets ou Deep NN) : Dense NN, Feed-Forward NN, Convolutional NN pour les images. Mise en ?uvre avec PyTorch (sous Python).
EQUIPEMENT
Il est demandé aux stagiaires d'être équipés d'un ordinateur portable sur lequel les logiciels et outils (libres) nécessaires à la formation (communiqués avant le début du stage) seront préalablement installés.
INTERVENANTS
T. Rebafka (professeure) et D. Giorgi (ingénieure de recherche)
Avis des stagiaires

"Très contente du contenu de la formation qui m'a permis de combler nombre de mes questionnements de novice en machine learning. J'ai apprécié le dynamisme et didactisme des cours et TP, l'honnêteté des discours et réponses à nos questions, et la sympathie des formatrices ainsi que leur implication." Audrey G., Organisme de recherche