En ligne ou sur site, des cours de formation en direct sur l'apprentissage automatique (ML) animés par un instructeur démontrent, par le biais d'une pratique pratique, comment appliquer des techniques et des outils d'apprentissage automatique pour résoudre des problèmes du monde réel dans diverses industries. Les cours NobleProg ML couvrent différents langages et frameworks de programmation, y compris Python, le langage R et Matlab. Les cours d'apprentissage automatique sont proposés pour un certain nombre d'applications industrielles, notamment la finance, la banque et l'assurance, et couvrent les principes fondamentaux de l'apprentissage automatique ainsi que des approches plus avancées telles que l'apprentissage en profondeur. La formation Machine Learning est disponible en tant que "formation en direct en ligne" ou "formation en direct sur site". La formation en direct en ligne (alias « formation en direct à distance ») est effectuée au moyen d'un ordinateur de bureau interactif à distance . La formation en direct sur site peut être effectuée localement dans les locaux du client en France ou dans les centres de formation d'entreprise NobleProg en France. NobleProg - Votre fournisseur de formation local
Cette formation en direct avec instructeur à France (en ligne ou sur site) s'adresse aux professionnels débutants qui souhaitent comprendre le concept des modèles pré-entraînés et apprendre à les appliquer pour résoudre des problèmes du monde réel sans avoir à construire des modèles à partir de zéro.
A l'issue de cette formation, les participants seront capables de :
Comprendre le concept et les avantages des modèles pré-entraînés.
Explorer les différentes architectures de modèles pré-entraînés et leurs cas d'utilisation.
Affiner un modèle pré-entraîné pour des tâches spécifiques.
Implémenter des modèles pré-entraînés dans des projets simples d'apprentissage automatique.
Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent renforcer leurs connaissances des modèles d'apprentissage automatique, améliorer leurs compétences en matière de réglage des hyperparamètres et apprendre à déployer efficacement des modèles en utilisant Google Colab.
A la fin de cette formation, les participants seront capables de :
Implémenter des modèles avancés d'apprentissage automatique en utilisant des frameworks populaires comme Scikit-learn et TensorFlow.
Optimiser les performances des modèles grâce au réglage des hyperparamètres.
Déployer des modèles d'apprentissage automatique dans des applications réelles en utilisant Google Colab.
Collaborer et gérer des projets d'apprentissage automatique à grande échelle dans Google Colab.
Cette formation en France (en ligne ou sur site) s'adresse aux participants ayant différents niveaux d'expertise et souhaitant tirer parti de la plateforme Google AutoML pour créer des chatbots personnalisés pour diverses applications.
A l'issue de cette formation, les participants seront capables de :
Comprendre les principes fondamentaux du développement d'un chatbot.
Naviguer sur la Google Cloud Platform et accéder à AutoML.
Préparer les données pour l'entraînement des modèles de chatbot.
Former et évaluer des modèles de chatbot personnalisés en utilisant AutoML.
Déployer et intégrer les chatbots dans différentes plateformes et canaux.
Contrôler et optimiser les performances des chatbots au fil du temps.
Cette formation en direct avec instructeur à France (en ligne ou sur site) est destinée aux développeurs d'IA de niveau intermédiaire, aux ingénieurs en apprentissage automatique et aux architectes de système qui souhaitent optimiser les modèles d'IA pour le déploiement en périphérie.
À l'issue de cette formation, les participants seront en mesure de :
Comprendre les défis et les exigences liés au déploiement de modèles d'IA sur des appareils périphériques.
Appliquer des techniques de compression de modèles pour réduire la taille et la complexité des modèles d'IA.
Utiliser des méthodes de quantification pour améliorer l'efficacité des modèles sur le matériel périphérique.
Mettre en œuvre des techniques d'élagage et d'autres techniques d'optimisation pour améliorer les performances des modèles.
Déployer des modèles d'IA optimisés sur divers appareils périphériques.
Cette formation en direct avec instructeur en France (en ligne ou sur place) s'adresse aux développeurs de niveau intermédiaire, aux scientifiques des données et aux passionnés de technologie qui souhaitent acquérir des compétences pratiques dans le déploiement de modèles d'IA sur des appareils périphériques pour diverses applications.
À l'issue de cette formation, les participants seront en mesure de :
Comprendre les principes de l'Edge AI et ses avantages.
Mettre en place et configurer l'environnement informatique périphérique.
Développer, former et optimiser des modèles d'IA pour le déploiement en périphérie.
Mettre en œuvre des solutions pratiques d'IA sur des appareils périphériques.
Évaluer et améliorer les performances des modèles déployés en périphérie.
Aborder les considérations éthiques et de sécurité dans les applications d'Edge AI.
Cette formation en direct dans France (en ligne ou sur site) est destinée aux développeurs de niveau intermédiaire, aux scientifiques des données et aux praticiens de l'IA qui souhaitent tirer parti de TensorFlow Lite pour les applications d'IA de pointe.
À l'issue de cette formation, les participants seront en mesure de :
Comprendre les principes fondamentaux de TensorFlow Lite et son rôle dans l'Edge AI.
Développer et optimiser des modèles d'IA à l'aide de TensorFlow Lite.
Déployer des modèles TensorFlow Lite sur divers appareils périphériques.
Utiliser des outils et des techniques pour la conversion et l'optimisation des modèles.
Mettre en œuvre des applications pratiques d'Edge AI à l'aide de TensorFlow Lite.
Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent maîtriser les technologies qui sous-tendent les systèmes autonomes.
A l'issue de cette formation, les participants seront capables de :
Concevoir et mettre en œuvre des modèles d'IA pour la prise de décision autonome.
Développer des algorithmes de contrôle pour la navigation autonome et l'évitement d'obstacles.
Assurer la sécurité et la fiabilité des systèmes autonomes alimentés par l'IA.
Intégrer les systèmes autonomes dans les cadres existants de la robotique et de l'IA.
Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux professionnels de niveau intermédiaire qui souhaitent appliquer des techniques d'IA pour optimiser la gestion du rendement dans la fabrication de semi-conducteurs.
A l'issue de cette formation, les participants seront capables de :
Analyser les données de production pour identifier les facteurs affectant les taux de rendement.
Mettre en œuvre des algorithmes d'IA pour améliorer les processus de gestion du rendement.
Optimiser les paramètres de production pour réduire les défauts et améliorer les rendements.
Intégrer la gestion du rendement basée sur l'IA dans les flux de production existants.
Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent appliquer des techniques d'IA de pointe à l'automatisation de la conception des semi-conducteurs, en améliorant l'efficacité, la précision et l'innovation dans la conception et la vérification des puces.
A l'issue de cette formation, les participants seront capables de :
Appliquer des techniques d'IA avancées pour optimiser les processus de conception de semi-conducteurs.
Intégrer des modèles d'apprentissage automatique dans les outils EDA pour améliorer la vérification de la conception.
Développer des solutions basées sur l'IA pour des défis de conception complexes dans la fabrication de puces.
Exploiter les réseaux neuronaux pour améliorer la précision et la rapidité de l'automatisation de la conception.
Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux professionnels de niveau intermédiaire qui souhaitent comprendre et appliquer les techniques d'IA pour optimiser les processus de fabrication des semi-conducteurs.
A l'issue de cette formation, les participants seront capables de :
Comprendre les méthodologies d'IA pour l'optimisation des processus de fabrication des puces.
Mettre en œuvre des modèles d'IA pour améliorer le rendement et réduire les défauts.
Analyser les données de processus afin d'identifier les paramètres clés pour l'optimisation.
Appliquer des techniques d'apprentissage automatique pour affiner les processus de fabrication des semi-conducteurs.
Cette formation en France (en ligne ou sur site) est destinée aux participants de niveau intermédiaire qui souhaitent automatiser et gérer les flux de travail d'apprentissage automatique, y compris la formation, la validation et le déploiement des modèles à l'aide de Apache Airflow.
A la fin de cette formation, les participants seront capables de :
Configurer Apache Airflow pour l'orchestration de flux de travail d'apprentissage automatique.
Automatiser le prétraitement des données, l'entraînement des modèles et les tâches de validation.
Intégrer Airflow avec des frameworks et des outils d'apprentissage automatique.
Déployer des modèles d'apprentissage automatique en utilisant des pipelines automatisés.
Contrôler et optimiser les workflows d'apprentissage automatique en production.
Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux data scientists de niveau intermédiaire à avancé, aux ingénieurs en apprentissage automatique, aux chercheurs en apprentissage profond et aux experts en vision par ordinateur qui souhaitent élargir leurs connaissances et leurs compétences en apprentissage profond pour la génération de texte à image.
À l'issue de cette formation, les participants seront en mesure de :
Comprendre les architectures et les techniques avancées d'apprentissage profond pour la génération texte-image.
Mettre en œuvre des modèles complexes et des optimisations pour la synthèse d'images de haute qualité.
Optimiser les performances et l'évolutivité pour les grands ensembles de données et les modèles complexes.
Ajuster les hyperparamètres pour une meilleure performance et généralisation du modèle.
Intégrer Stable Diffusion avec d'autres cadres et outils d'apprentissage profond.
Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux professionnels de la cybersécurité de niveau intermédiaire à avancé qui souhaitent élever leurs compétences en matière de détection des menaces et de réponse aux incidents pilotées par l'IA.
À l'issue de cette formation, les participants seront en mesure de :
Mettre en œuvre des algorithmes d'IA avancés pour la détection des menaces en temps réel.
Personnaliser les modèles d'IA pour des défis de cybersécurité spécifiques.
Développer des flux d'automatisation pour la réponse aux menaces.
Sécuriser les outils de sécurité pilotés par l'IA contre les attaques adverses.
Cette formation en France (en ligne ou sur site) s'adresse aux data scientists et aux développeurs de niveau intermédiaire qui souhaitent appliquer efficacement des algorithmes d'apprentissage automatique en utilisant l'environnement Google Colab.
A l'issue de cette formation, les participants seront capables de :
Configurer et naviguer dans Google Colab pour des projets d'apprentissage automatique.
Comprendre et appliquer différents algorithmes d'apprentissage automatique.
Utiliser des bibliothèques comme Scikit-learn pour analyser et prédire des données.
Mettre en œuvre des modèles d'apprentissage supervisés et non supervisés.
Optimiser et évaluer efficacement les modèles d'apprentissage automatique.
Cette formation en direct avec instructeur à France (en ligne ou sur site) s'adresse aux professionnels de la cybersécurité de niveau débutant qui souhaitent apprendre à tirer parti de l'IA pour améliorer les capacités de détection et de réponse aux menaces.
A l'issue de cette formation, les participants seront en mesure de :
Comprendre les applications de l'IA en cybersécurité.
Mettre en œuvre des algorithmes d'IA pour la détection des menaces.
Automatiser la réponse aux incidents à l'aide d'outils d'IA.
Intégrer l'IA dans l'infrastructure de cybersécurité existante.
Cette formation en direct dans France (en ligne ou sur place) s'adresse aux biologistes qui souhaitent comprendre le fonctionnement de AlphaFold et utiliser les modèles AlphaFold comme guides dans leurs études expérimentales.
A l'issue de cette formation, les participants seront capables de :
Comprendre les principes de base de AlphaFold.
Apprendre comment fonctionne AlphaFold.
Apprendre à interpréter les prédictions et les résultats de AlphaFold.
Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux analystes de données et aux data scientists de niveau débutant à intermédiaire qui souhaitent utiliser Weka pour effectuer des tâches d'exploration de données.
A l'issue de cette formation, les participants seront capables de :
Installer et configurer Weka.
Comprendre l'environnement Weka et l'atelier.
Effectuer des tâches d'exploration de données à l'aide de Weka.
Cette formation en direct avec instructeur à France (en ligne ou sur site) est destinée aux analystes de données de niveau intermédiaire qui souhaitent apprendre à utiliser RapidMiner pour estimer et projeter des valeurs et utiliser des outils analytiques pour les prévisions de séries temporelles.
A l'issue de cette formation, les participants seront capables de :
Apprendre à appliquer la méthodologie CRISP-DM, sélectionner les algorithmes d'apprentissage automatique appropriés et améliorer la construction et la performance des modèles.
Utiliser RapidMiner pour estimer et projeter des valeurs, et utiliser des outils analytiques pour la prévision de séries temporelles.
Cette formation en direct (en ligne ou sur site) est destinée aux scientifiques des données, aux ingénieurs en apprentissage automatique et aux chercheurs en vision par ordinateur qui souhaitent tirer parti de Stable Diffusion pour générer des images de haute qualité pour une variété de cas d'utilisation.
À l'issue de cette formation, les participants seront en mesure de :
Comprendre les principes de Stable Diffusion et son fonctionnement pour la génération d'images.
Construire et entraîner des modèles Stable Diffusion pour des tâches de génération d'images.
Appliquer Stable Diffusion à divers scénarios de génération d'images, tels que l'inpainting, l'outpainting et la traduction d'image à image.
Optimiser les performances et la stabilité des modèles Stable Diffusion.
L'objectif de ce cours est de fournir une compétence de base dans l'application Machine Learning des méthodes en pratique. Grâce à l'utilisation du langage de programmation Python et ses différentes bibliothèques, et sur la base d'une multitude d'exemples pratiques, ce cours enseigne comment utiliser les blocs de construction les plus importants Machine Learning, comment prendre des décisions de modélisation des données, interpréter les résultats des algorithmes et valider les résultats.
Notre objectif est de vous donner les compétences pour comprendre et utiliser les outils les plus fondamentaux de la boîte d'outils Machine Learning avec confiance et éviter les tombes communes des applications Data Science.
le but de ce cours est de fournir une compétence générale dans l’application des méthodes de machine learning dans la pratique. Grâce à l’utilisation du langage de programmation Python et de ses différentes bibliothèques, et basé sur une multitude d’exemples pratiques, ce cours enseigne comment utiliser les principaux éléments constitutifs de machine learning, comment faire des décisions de modélisation de données, interpréter les les sorties des algorithmes et valider les résultats.
notre objectif est de vous donner les compétences pour comprendre et utiliser les outils les plus fondamentaux de la boîte à outils machine learning en toute confiance et d’éviter les pièges communs des applications Data sciences.
Cette formation en France (en ligne ou sur site) s'adresse aux data scientists et aux ingénieurs logiciels qui souhaitent utiliser AdaBoost pour construire des algorithmes de boosting pour l'apprentissage automatique avec Python.
A l'issue de cette formation, les participants seront capables de :
Mettre en place l'environnement de développement nécessaire pour commencer à construire des modèles d'apprentissage automatique avec AdaBoost.
Comprendre l'approche de l'apprentissage ensembliste et comment implémenter le boosting adaptatif.
Apprendre à construire des modèles AdaBoost pour stimuler les algorithmes d'apprentissage automatique dans Python.
Utiliser le réglage des hyperparamètres pour augmenter la précision et les performances des modèles AdaBoost.
Cette formation en France (en ligne ou sur site) s'adresse aux data scientists ainsi qu'aux personnes moins techniques qui souhaitent utiliser Auto-Keras pour automatiser le processus de sélection et d'optimisation d'un modèle d'apprentissage automatique.
A l'issue de cette formation, les participants seront capables de :
Automatiser le processus de formation de modèles d'apprentissage automatique hautement efficaces.
Rechercher automatiquement les meilleurs paramètres pour les modèles d'apprentissage profond.
Construire des modèles d'apprentissage automatique très précis.
Utiliser la puissance de l'apprentissage automatique pour résoudre des problèmes professionnels réels.
Cette formation en direct avec instructeur à France (en ligne ou sur site) est destinée aux personnes techniques ayant des connaissances en apprentissage automatique qui souhaitent optimiser les modèles d'apprentissage automatique utilisés pour détecter des modèles complexes dans les données volumineuses (big data).
A l'issue de cette formation, les participants seront capables de :
Installer et évaluer différents outils open source AutoML (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA, etc.)
Former des modèles d'apprentissage automatique de haute qualité.
Résoudre efficacement différents types de problèmes d'apprentissage automatique supervisé.
Écrire juste le code nécessaire pour lancer le processus d'apprentissage automatique.
This instructor-led, live training in France (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.
By the end of this training, participants will be able to:
Apply core statistical methods to pattern recognition.
Use key models like neural networks and kernel methods for data analysis.
Implement advanced techniques for complex problem-solving.
Improve prediction accuracy by combining different models.
Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux scientifiques et analystes de données qui souhaitent automatiser, évaluer et gérer des modèles prédictifs en utilisant les capacités d'apprentissage automatique de DataRobot.
A l'issue de cette formation, les participants seront capables de :
Charger des ensembles de données dans DataRobot pour analyser, évaluer et vérifier la qualité des données.
Construire et former des modèles pour identifier les variables importantes et atteindre les objectifs de prédiction.
Interpréter les modèles pour créer des informations utiles à la prise de décision.
Contrôler et gérer les modèles pour maintenir une performance de prédiction optimisée.
Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent appliquer des techniques d'ingénierie des caractéristiques pour mieux traiter les données et obtenir de meilleurs modèles d'apprentissage automatique.
A l'issue de cette formation, les participants seront capables de :
Mettre en place un environnement de développement optimal, comprenant tous les paquets Python nécessaires.
Obtenir des informations importantes en analysant les caractéristiques d'un ensemble de données.
Optimiser les modèles d'apprentissage automatique en adaptant les données brutes elles-mêmes.
Propreté et transformation des ensembles de données en vue de l'apprentissage automatique.
L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés.
L'apprentissage profond est un sous-domaine de l'apprentissage automatique qui utilise des méthodes basées sur l'apprentissage de représentations et de structures de données telles que les réseaux neuronaux.
Le langage de programmation de haut niveau Python est réputé pour la clarté de sa syntaxe et la lisibilité de son code.
Dans cette formation en direct dirigée par un instructeur, les participants apprendront à mettre en œuvre des modèles d'apprentissage profond pour les télécommunications à l'aide de Python, en procédant à la création d'un modèle de risque de crédit basé sur l'apprentissage profond.
A la fin de cette formation, les participants seront capables de :
Comprendre les concepts fondamentaux de l'apprentissage profond.
Apprendre les applications et les utilisations de l'apprentissage profond dans les télécommunications.
Utiliser Python, Keras et TensorFlow pour créer des modèles d'apprentissage profond pour les télécommunications.
Construire leur propre modèle d'apprentissage profond de prédiction de désabonnement des clients en utilisant Python.
Format du cours permettant d'évaluer les participants
Exposé et discussion interactifs.
Beaucoup d'exercices et de pratique.
Mise en œuvre pratique dans un environnement live-lab.
Options de personnalisation du cours
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter.
Cette formation en direct avec instructeur en France (en ligne ou sur site) s'adresse aux data scientists, aux analystes de données et aux développeurs qui souhaitent explorer les produits et les fonctionnalités de AutoML pour créer et déployer des modèles d'entraînement ML personnalisés avec un minimum d'effort.
A l'issue de cette formation, les participants seront capables de :
Explorer la gamme de produits AutoML pour mettre en œuvre différents services pour divers types de données.
Préparer et étiqueter des ensembles de données pour créer des modèles ML personnalisés.
Former et gérer des modèles pour produire des modèles d'apprentissage automatique précis et équitables.
Faire des prédictions à l'aide des modèles formés pour répondre aux objectifs et aux besoins de l'entreprise.
Ce cours s'adresse aux personnes qui ont déjà des connaissances en science des données et en statistiques. Les explications données sont conçues pour servir de rappel à ceux qui sont déjà familiers avec les concepts ou pour informer ceux qui ont un bagage approprié.
Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.
À l'issue de cette formation, les participants seront en mesure de :
Installer et configurer Kubeflow sur site et dans le cloud en utilisant AWS EKS (Elastic Kubernetes Service).
Construire, déployer et gérer des flux de travail de ML basés sur des conteneurs Docker et Kubernetes.
Exécuter des pipelines d'apprentissage automatique complets sur diverses architectures et environnements en nuage.
Utiliser Kubeflow pour créer et gérer des carnets Jupyter.
Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.
Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.
À l'issue de cette formation, les participants seront en mesure de :
Installer et configurer Kubeflow sur site et dans le cloud.
Construire, déployer et gérer des flux de travail d'apprentissage automatique basés sur les conteneurs Docker et Kubernetes.
Exécuter des pipelines d'apprentissage machine complets sur diverses architectures et environnements cloud.
Utiliser Kubeflow pour créer et gérer des carnets Jupyter.
Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.
Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning sur un serveur AWS EC2.
A l'issue de cette formation, les participants seront capables de :
Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur AWS.
Utiliser EKS (Elastic Kubernetes Service) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur AWS.
Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
Mettre à profit d'autres services gérés AWS pour étendre une application ML.
Cette formation en direct avec instructeur (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning dans le nuage Azure.
A l'issue de cette formation, les participants seront capables de :
Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur Azure.
Utiliser Azure Kubernetes Service (AKS) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur Azure.
Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
Mettre à profit d'autres services gérés AWS pour étendre une application ML.
Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux data scientists qui souhaitent utiliser l'apprentissage automatique dans Mathematica pour l'analyse des données.
A l'issue de cette formation, les participants seront capables de :
Construire et entraîner des modèles d'apprentissage automatique.
Importer et préparer les données pour l'apprentissage automatique.
Séparer les données d'entraînement des données de test.
Explorer les applications de l'apprentissage profond et des réseaux neuronaux dans l'analyse des données.
Machine Learning est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés. Le Python est un langage de programmation réputé pour sa syntaxe claire et sa lisibilité. Il offre une excellente collection de bibliothèques et de techniques éprouvées pour développer des applications d'apprentissage automatique.
Dans cette formation en direct, dirigée par un instructeur, les participants apprendront à appliquer des techniques et des outils d'apprentissage automatique pour résoudre des problèmes concrets dans le secteur bancaire.
Les participants apprennent d'abord les principes clés, puis mettent leurs connaissances en pratique en construisant leurs propres modèles d'apprentissage automatique et en les utilisant pour réaliser un certain nombre de projets d'équipe.
Public
Développeurs
Scientifiques des données
Format du cours permettant d'évaluer les participants
Une partie de cours, une partie de discussion, des exercices et une grande partie de pratique.
Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) est destinée aux personnes techniques qui souhaitent apprendre à mettre en œuvre une stratégie d'apprentissage automatique tout en maximisant l'utilisation des données massives (big data).
A l'issue de cette formation, les participants pourront :
Comprendre l'évolution et les tendances de l'apprentissage automatique.
Savoir comment l'apprentissage automatique est utilisé dans différents secteurs d'activité.
Se familiariser avec les outils, les compétences et les services disponibles pour mettre en œuvre l'apprentissage automatique au sein d'une organisation.
Comprendre comment l'apprentissage automatique peut être utilisé pour améliorer l'exploration et l'analyse des données.
Apprendre ce qu'est un backend de milieu de données et comment il est utilisé par les entreprises.
Comprendre le rôle que jouent les big data et les applications intelligentes dans tous les secteurs d'activité.
Ce cours de formation est destiné aux personnes souhaitant appliquer le Machine Learning à des applications pratiques pour leur équipe. La formation ne plongera pas dans les détails techniques et s’articulera autour des concepts de base et de leurs applications commerciales / opérationnelles.
Public cible
Investisseurs et entrepreneurs en IA
Gestionnaires et ingénieurs dont l'entreprise se lance dans l'IA
L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés. Le langage de programmation Python est réputé pour sa syntaxe claire et sa lisibilité. Il offre une excellente collection de bibliothèques et de techniques éprouvées pour développer des applications d'apprentissage automatique.
Dans cette formation en direct dirigée par un instructeur, les participants apprendront à appliquer des techniques et des outils d'apprentissage automatique pour résoudre des problèmes réels dans le secteur de la finance.
Les participants apprennent d'abord les principes clés, puis mettent leurs connaissances en pratique en construisant leurs propres modèles d'apprentissage automatique et en les utilisant pour réaliser un certain nombre de projets d'équipe.
A l'issue de cette formation, les participants seront capables de :
Comprendre les concepts fondamentaux de l'apprentissage automatique
Apprendre les applications et les utilisations de l'apprentissage automatique en finance
Développer leur propre stratégie de trading algorithmique en utilisant l'apprentissage automatique avec Python
Audience
Développeurs
Scientifiques des données
Format du cours permettant d'évaluer les participants
En partie cours magistral, en partie discussion, exercices et pratique intensive.
Cette formation en direct (en ligne ou sur site) est destinée aux data scientists qui souhaitent aller au-delà de la construction de modèles ML et optimiser le processus de création, de suivi et de déploiement des modèles ML.
A l'issue de cette formation, les participants seront capables de :
Installer et configurer MLflow et les bibliothèques et frameworks ML associés.
Apprécier l'importance de la traçabilité, de la reproductibilité et de la déployabilité d'un modèle ML
Déployer des modèles de ML sur différents clouds publics, plateformes ou serveurs sur site.
Mettre à l'échelle le processus de déploiement du ML afin d'accommoder plusieurs utilisateurs collaborant à un projet.
Mettre en place un registre central pour expérimenter, reproduire et déployer des modèles de ML.
Le but de ce cours est de fournir une maîtrise de base de l’application pratique des méthodes d’ Machine Learning . À l'aide du langage de programmation Scala et de ses différentes bibliothèques, et basé sur une multitude d'exemples pratiques, ce cours explique comment utiliser les éléments de base les plus importants de Machine Learning , comment prendre des décisions en matière de modélisation des données, interpréter les résultats des algorithmes et valider les résultats.
Notre objectif est de vous donner les compétences nécessaires pour comprendre et utiliser en toute confiance les outils les plus fondamentaux de la boîte Machine Learning outils Machine Learning et éviter les pièges courants des applications Data Science .
Cette formation s'adresse aux personnes souhaitant appliquer les techniques de base d' Machine Learning à des applications pratiques.
Public
Les scientifiques de données et les statisticiens qui sont familiarisés avec l’apprentissage automatique et savent comment programmer R. Ce cours met l’accent sur les aspects pratiques de la préparation, de l’exécution, de l’analyse post-hoc et de la visualisation de modèles et de données. Le but est de donner une introduction pratique à l’apprentissage automatique aux participants intéressés par l’application des méthodes au travail
Des exemples sectoriels sont utilisés pour rendre la formation pertinente pour le public cible.
Dans cette formation en direct dirigée par un instructeur, les participants apprendront à utiliser la pile technologique iOS Machine Learning (ML) en créant et en déployant une application mobile iOS.
À l'issue de cette formation, les participants seront capables de :
Créer une application mobile capable de traiter des images, d'analyser du texte et de reconnaître la parole.
Utiliser des modèles ML pré-entraînés Access pour l'intégration dans les applications iOS.
Créer un modèle ML personnalisé
Ajouter la prise en charge de la voix Siri aux applications iOS.
Comprendre et utiliser des frameworks tels que coreML, Vision, CoreGraphics et GamePlayKit
Utiliser des langages et des outils tels que Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda et Spyder.
Public
Développeurs
Format du cours permettant d'évaluer les participants
En partie cours magistral, en partie discussion, exercices et pratique intensive.
Cette formation en direct (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser Google's ML Kit pour construire des modèles d'apprentissage automatique optimisés pour le traitement sur les appareils mobiles.
À l'issue de cette formation, les participants seront en mesure de :
Mettre en place l'environnement de développement nécessaire pour commencer à développer des fonctionnalités d'apprentissage automatique pour les applications mobiles.
Intégrer de nouvelles technologies d'apprentissage automatique dans les applications Android et iOS à l'aide des API ML Kit.
Améliorer et optimiser les applications existantes à l'aide du SDK ML Kit pour le traitement et le déploiement sur l'appareil.
Cette séance de formation en salle de classe explorera les techniques d'apprentissage automatique, avec des exemples informatiques et des exercices de résolution d'études de cas en utilisant un programme pertinent .
Ce cours présente les méthodes d'apprentissage automatique dans les applications robotiques.
Il s'agit d'une vue d'ensemble des méthodes existantes, des motivations et des idées principales dans le contexte de la reconnaissance des formes.
Après un bref rappel théorique, les participants effectueront des exercices simples en utilisant des logiciels libres (généralement R) ou tout autre logiciel populaire.
Pattern Matching est une technique utilisée pour localiser des motifs spécifiques dans une image. Elle peut être utilisée pour déterminer l'existence de caractéristiques spécifiques dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux dans une chaîne de production ou les dimensions spécifiées d'un composant. Elle diffère de la technique "Pattern Recognition" (qui reconnaît des modèles généraux basés sur des collections plus vastes d'échantillons apparentés) en ce sens qu'elle dicte spécifiquement ce que nous recherchons, puis nous indique si le modèle attendu existe ou non.
Format du cours
Ce cours présente les approches, les technologies et les algorithmes utilisés dans le domaine de la recherche de motifs, tels qu'ils s'appliquent à Machine Vision.
Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux scientifiques des données et aux ingénieurs logiciels qui souhaitent utiliser Random Forest pour construire des algorithmes d'apprentissage automatique pour de grands ensembles de données.
A l'issue de cette formation, les participants seront capables de :
Mettre en place l'environnement de développement nécessaire pour commencer à construire des modèles d'apprentissage automatique avec Random forest.
Comprendre les avantages de Random Forest et comment l'implémenter pour résoudre des problèmes de classification et de régression.
Apprendre à traiter de grands ensembles de données et à interpréter plusieurs arbres de décision dans Random Forest.
Évaluer et optimiser les performances des modèles d'apprentissage automatique en réglant les hyperparamètres.
RapidMiner est une plateforme logicielle open source de science des données pour le prototypage et le développement rapides d'applications. Elle comprend un environnement intégré pour la préparation des données, l'apprentissage automatique, l'apprentissage profond, l'exploration de texte et l'analyse prédictive.
Au cours de cette formation, les participants apprendront à utiliser RapidMiner Studio pour la préparation des données, l'apprentissage automatique et le déploiement de modèles prédictifs.
À l'issue de cette formation, les participants seront en mesure de :
Installer et configurer RapidMiner Studio
Préparer et visualiser les données avec RapidMiner.
Valider les modèles d'apprentissage automatique
Mashup de données et créer des modèles prédictifs
Opérationnaliser l'analyse prédictive au sein d'un processus métier
Dépanner et optimiser RapidMiner
Public
Scientifiques des données
Ingénieurs
Développeurs
Format du cours permettant d'évaluer les participants
En partie conférence, en partie discussion, exercices et pratique intensive.
Remarque
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter.
Cette formation en <loc> ; (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent écrire, charger et exécuter des modèles d'apprentissage automatique sur de très petits appareils embarqués.
A l'issue de cette formation, les participants seront capables de :
Installer TensorFlow Lite.
Charger des modèles d'apprentissage automatique sur un appareil embarqué pour lui permettre de détecter la parole, de classer des images, etc.
Ajouter l'IA aux appareils matériels sans dépendre de la connectivité réseau.
En savoir plus...
Dernière Mise À Jour:
Nos clients témoignent(25)
Hunter est fabuleux, très engageant, extrêmement bien informé et sympathique. C'est très bien.
Rick Johnson - Laramie County Community College
Formation - Artificial Intelligence (AI) Overview
Traduction automatique
Le VM est une bonne idée
Vincent - REGNOLOGY ROMANIA S.R.L.
Formation - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Traduction automatique
I thought the trainer was very knowledgeable and answered questions with confidence to clarify understanding.
Jenna - TCMT
Formation - Machine Learning with Python – 2 Days
The clarity with which it was presented
John McLemore - Motorola Solutions
Formation - Deep Learning for Telecom (with Python)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Formation - MLflow
La qualité des explications, et le nombre important de sujets abordés
Hugo SECHIER - Expleo France
Formation - Kubeflow on AWS
The way of transferring knowledge and the knowledge of the trainer.
Jakub Rękas - Bitcomp Sp. z o.o.
Formation - Machine Learning on iOS
The explaination
Wei Yang Teo - Ministry of Defence, Singapore
Formation - Machine Learning with Python – 4 Days
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life™
Formation - Kubeflow
The enthusiasm to the topic. The examples he made an he explained it very well. Sympatic. A little to detailed for beginners. For managers, it could be more abstract in fewer days. But it was designed to fit and we had a good alignment in advance.
Benedikt Chiandetti - HDI Deutschland Bancassurance Kundenservice GmbH
Formation - Machine Learning Concepts for Entrepreneurs and Managers
The trainer explained the content well and was engaging throughout. He stopped to ask questions and let us come to our own solutions in some practical sessions. He also tailored the course well for our needs.
Robert Baker
Formation - Deep Learning with TensorFlow 2.0
Convolution filter
Francesco Ferrara
Formation - Introduction to Machine Learning
Tomasz really know the information well and the course was well paced.
Raju Krishnamurthy - Google
Formation - TensorFlow Extended (TFX)
Organization, adhering to the proposed agenda, the trainer's vast knowledge in this subject
Ali Kattan - TWPI
Formation - Natural Language Processing with TensorFlow
The trainer was a professional in the subject field and related theory with application excellently
Fahad Malalla - Tatweer Petroleum
Formation - Applied AI from Scratch in Python
I liked the lab exercises.
Marcell Lorant - L M ERICSSON LIMITED
Formation - Machine Learning
In-depth coverage of machine learning topics, particularly neural networks. Demystified a lot of the topic.
Sacha Nandlall
Formation - Python for Advanced Machine Learning
Very flexible.
Frank Ueltzhöffer
Formation - Artificial Neural Networks, Machine Learning and Deep Thinking
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Formation - TensorFlow for Image Recognition
I liked the new insights in deep machine learning.
Josip Arneric
Formation - Neural Network in R
We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company.
Sebastiaan Holman
Formation - Machine Learning and Deep Learning
The global overview of deep learning.
Bruno Charbonnier
Formation - Advanced Deep Learning
The topic is very interesting.
Wojciech Baranowski
Formation - Introduction to Deep Learning
Ann created a great environment to ask questions and learn. We had a lot of fun and also learned a lot at the same time.
Gudrun Bickelq
Formation - Introduction to the use of neural networks
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking