Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction aux modèles avancés Machine Learning
- Aperçu des modèles complexes : Random Forest, Gradient Boosting, Neural Networks.
- Quand utiliser les modèles avancés : Meilleures pratiques et cas d'utilisation
- Introduction aux techniques d'apprentissage d'ensemble
Réglage et optimisation des hyperparamètres
- Techniques de recherche en grille et de recherche aléatoire
- Automatisation du réglage des hyperparamètres avec Google Colab
- Utilisation de techniques d'optimisation avancées (bayésiennes, algorithmes génétiques)
Neural Networks et Deep Learning
- Construction et entraînement de réseaux neuronaux profonds
- Apprentissage par transfert avec des modèles pré-entraînés
- Optimisation des performances des modèles d'apprentissage profond
Déploiement de modèles
- Introduction aux stratégies de déploiement de modèles
- Déploiement de modèles dans des environnements en nuage à l'aide de Google Colab
- Inférence en temps réel et traitement par lots
Travailler avec Google Colab pour l'apprentissage Machine Learning à grande échelle
- Collaborer à des projets d'apprentissage automatique dans Colab
- Utiliser Colab pour l'entraînement distribué et l'accélération GPU/TPU
- Intégration avec des services cloud pour un entraînement de modèle évolutif
Interprétabilité et explicabilité des modèles
- Explorer les techniques d'interprétabilité des modèles (LIME, SHAP)
- IA explicable pour les modèles d'apprentissage profond
- Gestion des biais et de l'équité dans les modèles d'apprentissage automatique
Applications réelles et études de cas
- Application de modèles avancés dans les domaines de la santé, de la finance et du commerce électronique
- Études de cas : Déploiements de modèles réussis
- Défis et tendances futures de l'apprentissage automatique avancé
Résumé et prochaines étapes
Pré requis
- Forte compréhension des algorithmes et concepts d'apprentissage automatique
- Maîtrise de la programmation Python
- Expérience avec Jupyter Notebooks ou Google Colab
Audience
- Scientifiques des données
- Praticiens de l'apprentissage automatique
- Ingénieurs en IA
21 Heures
Nos clients témoignent (2)
l'écosystème ML comprend non seulement MLFlow mais aussi Optuna, hyperops, docker et docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Formation - MLflow
Traduction automatique
J'ai apprécié de participer à la formation Kubeflow, qui s'est déroulée en ligne. Cette formation m'a permis de consolider mes connaissances sur les services AWS, K8s et tous les outils DevOps associés à Kubeflow, qui sont les bases nécessaires pour aborder correctement le sujet. Je tiens à remercier Malawski Marcin pour sa patience et son professionnalisme dans la formation et ses conseils sur les meilleures pratiques. Malawskiaborde le sujet sous différents angles, avec divers outils de déploiement Ansible, EKS kubectl, Terraform. Maintenant, je suis définitivement convaincu que je m'oriente vers le bon domaine d'application.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Formation - Kubeflow
Traduction automatique
