Plan de la formation 50h

MODULE1 : INTRODUCTION 2h

Objectifs pédagogiques :

Introduction à l'IA
 Qu'est-ce que l'IA
 Applications AI
 Langage de programmation pour l'IA
 Introduction à l'apprentissage automatique(Machine Learning)
 Besoin d'apprentissage automatique
 Types d'apprentissage automatique
 Apprentissage supervisé
 Apprentissage non supervisé
 Votre premier ML(Machine Learning)
 Introduction au Deep Learning
 Qu'est-ce que le Deep Learning

MODULE2 : LANGUAGE PYTHON 10h

 Installation et prise en main d'un environnement de développement pour Python

 Installation d'une distribution Python : Mise en place d'un IDE
 Installation et prise en main de l’environnement Spyder & jupyter
Les bases de Python:
 Organisation du code (modules, package, importations) Recommandations de nommage(les Peps)
Les types de base (entier, chaîne, réel, …)
Les structures de contrôles:
 Les conditions Structurelles
 Les boucles
 Applications
Les structures de données:
 Les Tuples
 Les séquences
 Les listes
 Les dictionnaires Applications
Les fonctions
 Notion des fonctions
 Les fonctions lambda

Test de niveau python

 MODULE3 : ANALYSE DE DONNEE 4h

Objectifs pédagogiques :
Acquérir des compétences appliquées relatives à l’analyse de données aussi bien quantitatives que qualitatives.
Résumer l’information pertinente présente dans un fichier de données et en extraire celle utile à la
prise de décision. Partie 1 : Data Analyst

Statistique descriptive (exploratoire) :

 Savoir décrire des observation
 Apprendre à décrire des jeux de données à l'aide de résumés numériques et de représentations
graphiques

Régression linéaire, analyse de la variance et de la covariance

 Méthodologique et pratique des méthodes de régression linéaire,
 Analyse de la variance et de la covariance
 Prendre des décisions ou effectuer des prévisions

Analyse des données : méthodes exploratoires (ACP, AFC, classification)

 Découvrir les principales méthodes exploratoires d'analyse des données (ACP, AFC, Classification)
 Mettre en évidence les liaisons entre paramètres, les similitudes et différences entre observations.
 Interpréter les résultats numériques et graphiques, Éviter les pièges, savoir résumer l'information
obtenue et communiquer les résultats importants

 Numpy
 Pandas
 Analyse de donné avec python
 Nettoyage de donnée (Data cleaning )

MODULE4 : VISUALIZATION DE DONNE 4h

 Présentation des principes de la data visualisation

 Quelques graphiques simples avec matplotlib : scatter plot, box plot, histogrammes…
 Présentation de visualisation plus avancées
 Utilisation pour des visualisations interactives :
 Visualization avec python
 Matplotlib
 Seaborn
 Plotly
 MODULE5 :MACHINE LERANING 12h

Objectifs-Pédagogiques :

1.
Soyez autonome dans la mise en place des modèles prédictifs d’apprentissage automatique (Machine
learning). Ceci est bien construit, le moment où on formule
notre algorithme de machine learning (ML) l’évaluer et le valider.
2.
La manipulation des données d’apprentissages, test et validation.
3.
Evaluation la qualité des prédictions et validation
4.
Etre capable de réaliser une prédiction basée sur machine learning à partir de jeux de données

Partie 1:

 Mise en place du Framework et logiciels (Python, Connection Serveurs...)

 Introduction à l’apprentissage automatique (Machine learning)
 présentation des principes de l’apprentissage automatique
 Préparation des données avec la bibliothèque scikit-learn
 Approche AA (Supervisée / Non supervisée)
 Formalisation des problèmes d’apprentissage supervisé : classification / régression
 Définition d'un modèle et ses paramètres
 Exemples pratiques de Machine Learning dans IA (Intelligence Artificielle)
Partie 2 :
 Classification non supervisée (k-Means Clustering)
 Concept et définitions
 Algorithme de cantres mobiles (k-means)
 Le choix de nombre de Clusters (classes k)
 Nettoyage des données du jeu
 Clustering
 Sélection du modèle et visualisation
Partie 3
 Classification supervisée : KNN : Algorithmes des plus proches voisins
 Introduction et Méthodologie
 Construction du modèle
 Séparation des données (jeu Apprentissage/Test/Validation)
 Mesures agrégées de performance des modèles prédictifs: accuracy, précision, matrices de
confusion
 Validation croisée (K-fold)
 Mise en pratique avec Python (Librairie : Scikit-Learn,BigML) (Exemple: Reconnaissance des
nombres manuscrits )
 Préparation du jeu MNIST et le script Python
 Echantillonnage et séparation données
 Prédiction
 Mesure de performance
 Choix optimal du nombre k
Partie 4 :

 Régression Supervisée : Régression logistique binaire

 Concept du modèle logit
  Méthode de maximum de vraisemblance et estimation des paramètres
 Sélection du modèle (Forward, Backward)
 Evaluation de la régression (R2 et Matrice de confusion)
 Construction de la Courbe ROC
 Mise en pratique avec R (Exemple : Ciblage Marketing Bancaire)
 Importation du jeu des données
 Échantillonnage et préparation données apprentissage et test
 Prédiction de la régression
 Evaluation de l’erreur d’apprentissage
 Construction de la courbe ROC

Module6 :Deep-Learning avec Tensorflow ET keras 18h

Objectifs-Pédagogiques :

Initiation au monde des réseaux de neurones.

Fonctionnement des réseaux à perceptrons simples et multilayer Perceptron
(MLP) Aptitude performante prédictive d’un réseau dans des cas pratique et réel Initiation à la notion
des tensors et calcul via le Google API Tensorflow
Implémentation des réseaux avec des couches convolutionnels avec Keras

Partie 1 :
 Mise en place du Framework et librairies Python et Connection aux serveurs
 Révision de quelques notions basiques d’algèbre linéaire.
Partie 2 :
 Perceptron simple et multicouche (MLP)
 Algorithme de la descente de la Gradient
 La rétro-propagation de l’erreur
 Apprentissage-Test-Validation
 Sous/Sur Apprentissage
Cas Pratique : Analyse sentimentale à partir des documents textuels.
 Introduction à la bibliothèque NLTK pour le traitement textuelle (NLP) b-tokenisation et appurement
d’un texte.
 Construction d’un réseau de neurone multicouches pour la prédiction des textes de types corpus news
 Evaluation des performances du modèle.
Partie 3 :
 Modélisation une problématique prédictive de classement ou de régression
 Fonctionnalité des noyaux de convolutions
 Les couches de pooling
 Le Dropout
 Cas Pratique : Reconnaissance des objets à partir d’un ensemble des images aMorphologie des images
 Pixellisation et filtres
 Découverte de l’API Tensorflow
 Construction d’un réseau avec des couches de convolutions et pooling sur Tensoflow et Keras
Reconnaissance des objets avec le modèle f-Tunage et évaluation Application ; La classification d’image avec
le deep learning