Fondements du machine learning et du deep learning - CNRS Formation Entreprises
Édition - Presse - Médias
- Savoir identifier la nature d'un problème d'apprentissage automatique : supervisé / non-supervisé, classification / régression
- Savoir mettre en œuvre les méthodes répandues de l'apprentissage automatique (kppv, SVM, arbres de décision, forêts aléatoires, Boosting, régression)
- Savoir comment évaluer les performances de ces méthodes à travers plusieurs métriques
- Savoir comparer des modèles appris
- Savoir réduire le nombre de dimensions des données
- Savoir mettre en œuvre une architecture simple de réseaux de neurones
- Savoir mettre en œuvre un réseau de neurones profond et connaître le drop-out
- Savoir utiliser les outils Sklearn, Keras / Tensor Flow
Ingénieurs ou techniciens supérieurs en informatique (développeurs, chefs de projets informatiques), en analyse ou traitement de données, personnels de R&DPrérequis : langage de programmation Python, bases de l’algorithmique, bases de l’algèbre linéaire (espace euclidien, produit scalaire, notion de norme), dérivées, probabilités et statistiques élémentaires (distribution, probabilités conditionnelles)