Accroche
En pratique
Présentation
Publics
Cette formation courte s'adresse :
- aux chercheurs, ingénieurs dans les entreprises et les laboratoires de recherches scientifiques.
- aux demandeurs d’emploi dans le même secteur.
Compétences développées
Avoir un aperçu des méthodes usuelles du machine learning et comprendre leurs principaux ingrédients.
Savoir choisir une méthode (supervisée / non supervisée) et la mettre en œuvre.
Les plus de la formation
- 12 modules de 1h30 composés de cours magistraux et de séances de mise en pratique (en Python)
- Support de cours en anglais.
- Illustration sur des données environnementales et biologiques.
Partenaires de la formation
Formation dispensée par l'agence LEBESGUE de mathématiques pour l'innovation.
Organisation pédagogique
12 modules de 1h30 (sur 3 jours)
Support de cours en anglais.
Illustration de données environnementales et biologiques.
La formation se déroule sur le campus de Beaulieu, à Rennes.
Programme :
- Réduction de dimension : ACP, MDS, Isomap, t-SNE.
- Apprentissage non supervisé : kmeans, mélange gaussien.
- Modèles linéaires :
- fonction de coût, estimation, validation ;
- over fitting, sélection de variables. - Modèle data-driven : plus proches voisins, arbres de décision.
- Agrégation de modèles :
- bagging et forêts aléatoires ;
- boosting et gradient boosting. - Réseaux de neurones : perceptrons multicouches, optimisation.
- Introduction au Deep learning : auto-encodeurs et réseaux de convolution.
Calendrier de la formation
Prochaine session : nous consulter
Méthodes pédagogiques
Cours magistraux et séances de mise en pratique.
Modalités d'évaluation
Des évaluations des acquis peuvent être réalisées sous forme d’autoévaluation, quiz ou analyses de cas. En fin de formation, un questionnaire de satisfaction anonyme sera à compléter par chaque participant.
Formation continue
Responsable(s) pédagogique(s)
Contact(s)
263 Avenue Général Leclerc
35042 RENNES
Pré-requis
- Probabilité : notion de variable aléatoire, espérance, variance, espérance conditionnelle.
- Statistique : notion d’estimation, loi des grands nombres, erreur en moyenne quadratique.
- Optimisation : optimisation quadratique, méthodes de descente de gradient.
Coût de la formation
Pour l'année universitaire 2023-2024 : 1 800 €
