Formation Machine Learning en Clermont-Ferrand

Cette formation en direct avec instructeur à Clermont-Ferrand (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 Clermont-Ferrand (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 (en ligne ou sur place) dirigée par un formateur s'adresse aux développeurs d'intelligence artificielle (IA) intermédiaires, ingénieurs en apprentissage automatique et architectes de systèmes qui souhaitent optimiser les modèles IA pour le déploiement sur des dispositifs edge.

À la fin de cette formation, les participants seront capables de :

• Comprendre les défis et les exigences du déploiement de modèles IA sur des appareils edge.
• Appliquer des techniques de compression de modèles pour réduire la taille et la complexité des modèles IA.
• Utiliser des méthodes de quantification pour améliorer l'efficacité du modèle sur le matériel edge.
• Mettre en œuvre le taillage (pruning) et d'autres techniques d’optimisation pour améliorer les performances du modèle.
• Déployer des modèles IA optimisés sur divers appareils edge.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs de niveau intermédiaire, aux scientifiques des données et aux passionnés de technologie qui souhaitent acquérir des compétences pratiques pour déployer des modèles d'IA sur des dispositifs edge dans diverses applications.

À la fin de cette formation, les participants seront capables de :

• Comprendre les principes de l'IA en périphérie et ses avantages.
• Configurer et installer l'environnement de calcul en périphérie.
• Développer, entraîner et optimiser des modèles d'IA pour un déploiement edge.
• Implémenter des solutions pratiques d'IA sur les dispositifs en périphérie.
• Évaluer et améliorer la performance des modèles déployés en périphérie.
• Aborder les considérations éthiques et de sécurité dans les applications d'IA edge.

Kubeflow est une plateforme open-source conçue pour simplifier la création, l'entraînement et le déploiement de charges de travail d'apprentissage automatique sur Kubernetes.

Cette formation dirigée par un formateur (en ligne ou sur site) est destinée aux professionnels de niveau débutant à intermédiaire qui souhaitent créer des flux de travail fiables en utilisant Kubeflow.

À la fin de cette formation, les participants acquerront les compétences nécessaires pour :

• Naviguer dans l'écosystème Kubeflow et ses composants principaux.
• Créer des flux de travail reproductibles avec Kubeflow Pipelines.
• Exécuter des tâches d'entraînement évolutives sur Kubernetes.
• Déployer efficacement des modèles d'apprentissage automatique en utilisant Kubeflow Serving.

Format de la Formation

• Présentations guidées et discussions collaboratives.
• Laboratoires pratiques avec des composants Kubeflow réels.
• Exercices pratiques pour créer des flux de travail d'apprentissage automatique complets.

Options de Personnalisation de la Formation

• Des versions personnalisées de cette formation peuvent être organisées pour s'aligner avec la pile technologique et les exigences de projet de votre équipe.

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs intermédiaires, scientifiques des données et praticiens de l'IA qui souhaitent utiliser TensorFlow Lite pour les applications d'IA Edge.

À la fin de cette formation, les participants seront capables de :

• Comprendre les fondamentaux de TensorFlow Lite et son rôle dans l'IA Edge.
• Développer et optimiser des modèles d'IA en utilisant TensorFlow Lite.
• Déployer des modèles TensorFlow Lite sur divers appareils Edge.
• Utiliser les outils et techniques pour la conversion et l'optimisation de modèles.
• Mettre en œuvre des applications d'IA Edge pratiques à l'aide de TensorFlow Lite.

Cette formation en direct, dirigée par un formateur, à Clermont-Ferrand (en ligne ou sur site) s'adresse aux professionnels de niveau avancé souhaitant maîtriser les technologies sous-jacentes des systèmes autonomes.

À la fin de cette formation, les participants seront capables de :

• Concevoir et mettre en œuvre des modèles 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 IA.
• Intégrer les systèmes autonomes avec les cadres existants de robotique et d'IA.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour développer des modèles de vision sophistiqués en utilisant Google Colab.

À la fin de cette formation, les participants seront capables de :

• Construire et entraîner des réseaux neuronaux convolutifs (CNN) en utilisant TensorFlow.
• Tirer parti de Google Colab pour le développement de modèles cloud évolutifs et efficaces.
• Mettre en œuvre des techniques de prétraitement d'images pour les tâches de vision par ordinateur.
• Déployer des modèles de vision par ordinateur pour des applications réelles.
• Utiliser le transfert d'apprentissage pour améliorer les performances des modèles CNN.
• Visualiser et interpréter les résultats des modèles de classification d'images.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent approfondir leur connaissance des modèles d'apprentissage automatique, améliorer leurs compétences en optimisation des hyperparamètres et apprendre à déployer efficacement les modèles en utilisant Google Colab.

À la fin de cette formation, les participants seront capables de :

• Mettre en œuvre des modèles d'apprentissage automatique avancés en utilisant des frameworks populaires comme Scikit-learn et TensorFlow.
• Optimiser les performances des modèles grâce à l'optimisation des hyperparamètres.
• Déployer des modèles d'apprentissage automatique dans des applications du monde réel en utilisant Google Colab.
• Collaborer et gérer des projets d'apprentissage automatique à grande échelle dans Google Colab.

Cette formation en direct, dirigée par un formateur (en ligne ou sur site), s'adresse aux professionnels de niveau intermédiaire qui souhaitent appliquer les techniques d'intelligence artificielle pour optimiser la gestion des rendements dans la fabrication de semi-conducteurs.

À l'issue de cette formation, les participants seront capables de :

• Analyser les données de production pour identifier les facteurs affectant le taux de rendement.
• Mettre en œuvre des algorithmes d'intelligence artificielle pour améliorer les processus de gestion des rendements.
• Optimiser les paramètres de production pour réduire les défauts et améliorer les rendements.
• Intégrer la gestion des rendements pilotée par l'IA dans les processus de production existants.

Cette formation en direct, animée par un formateur dans Clermont-Ferrand (en ligne ou sur place), s'adresse aux professionnels intermédiaires du secteur des affaires et de l'intelligence artificielle qui souhaitent appliquer l'apprentissage automatique aux affaires, à la prévision et aux systèmes pilotés par l'IA en utilisant des études de cas réelles et des outils basés sur Python.

À la fin de cette formation, les participants seront capables de :

• Comprendre comment l'apprentissage automatique s'intègre dans l'IA et la stratégie d'affaires.
• Appliquer des techniques d'apprentissage supervisé et non supervisé à des problèmes d'affaires structurés.
• Prétraiter et transformer les données pour le modélisation.
• Utiliser des réseaux de neurones pour les tâches de classification et de prédiction.
• Effectuer la prévision des ventes en utilisant des méthodes statistiques et basées sur l'apprentissage automatique.
• Mettre en œuvre le regroupement et la fouille de règles d'association pour la segmentation clients et la découverte de motifs.

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse aux professionnels avancés souhaitant appliquer des techniques d'intelligence artificielle de pointe à l'automatisation du design des semi-conducteurs, afin d'améliorer l'efficacité, la précision et l'innovation dans le design et la vérification des puces.

À la fin de cette formation, les participants seront capables de :

• Appliquer des techniques avancées d'intelligence artificielle pour optimiser les processus de design des semi-conducteurs.
• Intégrer des modèles d'apprentissage automatique dans les outils EDA pour une vérification de design améliorée.
• Développer des solutions pilotées par l'IA pour relever les défis complexes de fabrication des puces.
• Utiliser les réseaux neuronaux pour améliorer la précision et la vitesse de l'automatisation du design.

Cette formation en direct (en ligne ou sur site) est destinée aux scientifiques des données et développeurs intermédiaires qui souhaitent comprendre et appliquer les techniques d'apprentissage profond à l'aide de l'environnement Google Colab.

À la fin de cette formation, les participants seront capables de :

• Configurer et naviguer dans Google Colab pour des projets d'apprentissage profond.
• Comprendre les fondamentaux des réseaux neuronaux.
• Implémenter des modèles d'apprentissage profond à l'aide de TensorFlow.
• Former et évaluer des modèles d'apprentissage profond.
• Utiliser les fonctionnalités avancées de TensorFlow pour l'apprentissage profond.

Cette formation en direct (en ligne ou sur site) est destinée aux professionnels de niveau intermédiaire qui souhaitent comprendre et appliquer des techniques d'intelligence artificielle pour optimiser les processus de fabrication de semi-conducteurs.

À la fin de cette formation, les participants seront capables de :

• Comprendre les méthodologies d'IA pour l'optimisation des processus dans la fabrication des puces.
• Mettre en œuvre des modèles IA pour améliorer le rendement et réduire les défauts.
• Analyser les données de processus pour identifier les paramètres clés d'optimisation.
• Appliquer les techniques d'apprentissage automatique pour affiner les processus de fabrication des semi-conducteurs.

Cette formation dirigée par un instructeur, en ligne ou sur site à Clermont-Ferrand, est destinée aux participants de niveau intermédiaire qui souhaitent automatiser et gérer des workflows d'apprentissage automatique, y compris l'entraînement, la validation et le déploiement de modèles, en utilisant Apache Airflow.

À la fin de cette formation, les participants seront en mesure de :

• Configurer Apache Airflow pour l'orchestration des workflows d'apprentissage automatique.
• Automatiser les tâches de prétraitement des données, d'entraînement et de validation des modèles.
• Intégrer Airflow avec des frameworks et outils d'apprentissage automatique.
• Déployer des modèles d'apprentissage automatique en utilisant des pipelines automatisés.
• Surveiller et optimiser les workflows d'apprentissage automatique en production.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux data scientists et développeurs de niveau intermédiaire qui souhaitent appliquer efficacement des algorithmes de machine learning en utilisant l'environnement Google Colab.

À la fin de cette formation, les participants seront capables de :

• Configurer et naviguer dans Google Colab pour des projets de machine learning.
• Comprendre et appliquer divers algorithmes de machine learning.
• Utiliser des bibliothèques comme Scikit-learn pour analyser et prédire des données.
• Implémenter des modèles d'apprentissage supervisé et non supervisé.
• Optimiser et évaluer efficacement les modèles de machine learning.

Cette formation en direct avec instructeur en Clermont-Ferrand (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent explorer les techniques XAI de pointe pour les modèles d'apprentissage profond, en mettant l'accent sur la construction de systèmes d'IA interprétables.

À la fin de cette formation, les participants seront en mesure de :

• Comprendre les défis de l'explicabilité dans l'apprentissage profond.
• Mettre en œuvre des techniques XAI avancées pour les réseaux neuronaux.
• Interpréter les décisions prises par les modèles d'apprentissage profond.
• Évaluer les compromis entre performance et transparence.

Cette formation dirigée par un instructeur, en ligne ou sur site à Clermont-Ferrand, est destinée aux scientifiques des données et développeurs qui souhaitent utiliser les modèles d'apprentissage automatique ML.NET pour déduire automatiquement des projections à partir d'analyses de données exécutées pour des applications d'entreprise.

À la fin de cette formation, les participants seront capables de :

• Installer ML.NET et l'intégrer dans leur environnement de développement d'applications.
• Comprendre les principes de l'apprentissage automatique derrière les outils et algorithmes ML.NET.
• Construire et entraîner des modèles d'apprentissage automatique pour effectuer des prédictions intelligentes avec les données fournies.
• Évaluer la performance d'un modèle d'apprentissage automatique en utilisant les métriques ML.NET.
• Optimiser la précision des modèles d'apprentissage automatique existants basés sur le framework ML.NET.
• Appliquer les concepts d'apprentissage automatique de ML.NET à d'autres applications en science des données.

Cette formation dirigée par un instructeur, en ligne ou sur site à Clermont-Ferrand, est destinée aux professionnels des données de niveau intermédiaire qui souhaitent appliquer des techniques d'apprentissage automatique à des problèmes d'entreprise basés sur les données, notamment la prévision des ventes et le modèle prédictif à l'aide de réseaux neuronaux.

À la fin de cette formation, les participants seront en mesure de :

• Comprendre les concepts fondamentaux et les types d'apprentissage automatique.
• Appliquer des algorithmes clés pour la classification, la régression, le clustering et l'analyse d'association.
• Effectuer une analyse exploratoire des données et une préparation de données à l'aide de Python.
• Utiliser des réseaux neuronaux pour des tâches de modélisation non linéaire.
• Mettre en œuvre des analyses prédictives pour la prévision d'entreprise, y compris les données de vente.
• Évaluer et optimiser les performances du modèle à l'aide de techniques visuelles et statistiques.

Cette formation en direct avec instructeur en Clermont-Ferrand (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, dirigée par un formateur, à Clermont-Ferrand (en ligne ou sur site) s'adresse aux professionnels de la cybersécurité de niveau intermédiaire et avancé qui souhaitent perfectionner leurs compétences dans la détection des menaces et la réponse aux incidents pilotées par l'intelligence artificielle.

À la fin de cette formation, les participants seront capables de :

• Mettre en œuvre des algorithmes avancés d'IA pour la détection en temps réel des menaces.
• Personnaliser les modèles IA pour répondre à des défis spécifiques de cybersécurité.
• Développer des flux de travail automatisés pour la réponse aux menaces.
• Protéger les outils de sécurité pilotés par l'IA contre les attaques adverses.

Cette formation en direct (en ligne ou sur site) est destinée aux professionnels débutants en cybersécurité qui souhaitent apprendre à utiliser l'IA pour améliorer la détection et la réponse aux menaces.

À la fin de cette formation, les participants seront capables 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 avec des outils d'IA.
• Intégrer l'IA dans les infrastructures de cybersécurité existantes.

Cette formation en direct, animée par un instructeur en Clermont-Ferrand (en ligne ou en présentiel), s'adresse aux biologistes souhaitant comprendre le fonctionnement d'AlphaFold et utiliser ses modèles comme guide dans leurs études expérimentales.

À l'issue de cette formation, les participants seront en mesure de :

• Comprendre les principes de base d'AlphaFold.
• Apprendre comment AlphaFold fonctionne.
• Apprendre à interpréter les prédictions et les résultats d'AlphaFold.

Cette formation en direct avec instructeur à Clermont-Ferrand (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.

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.

L'IA appliquée de A à Z en Python fournit aux programmeurs et aux analystes de données des techniques fondamentales pour concevoir des solutions de machine learning à partir des bases en Python. Aborde les principes essentiels du learning supervisé (classification et régression), du learning non supervisé (clustering et détection d'anomalies), ainsi que des architectures de réseaux neuronaux avancées. Examine des méthodes éprouvées pour utiliser scikit-learn, Apache Spark MLlib et les notebooks Jupyter dans le cadre du développement pratique de l'IA. Aide les professionnels à implémenter des modèles de ML opérationnels, à évaluer les limites des algorithmes et à réaliser des projets appliqués pour résoudre des problèmes concrets.

L'apprentissage par renforcement profond (DRL) combine les principes de l'apprentissage par renforcement avec des architectures d'apprentissage profond pour permettre aux agents de prendre des décisions à travers leur interaction avec leurs environnements. Il sous-tend de nombreuses avancées modernes en IA, comme les véhicules autonomes, le contrôle robotique, le trading algorithmique et les systèmes de recommandation adaptatifs. Le DRL permet à un agent artificiel d'apprendre des stratégies, d'optimiser des politiques et de prendre des décisions autonomes basées sur l'essai-erreur en utilisant un apprentissage basé sur la récompense.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données de niveau intermédiaire qui souhaitent apprendre et appliquer les techniques d'apprentissage par renforcement profond pour construire des agents intelligents capables de prendre des décisions autonomes dans des environnements complexes.

À la fin de cette formation, les participants seront en mesure de :

• Comprendre les fondements théoriques et les principes mathématiques de l'apprentissage par renforcement.
• Mettre en œuvre des algorithmes clés d'RL, notamment Q-Learning, Policy Gradients et les méthodes Actor-Critic.
• Construire et entraîner des agents d'apprentissage par renforcement profond à l'aide de TensorFlow ou PyTorch.
• Appliquer le DRL à des applications réelles telles que les jeux, la robotique et l'optimisation des décisions.
• Dépanner, visualiser et optimiser les performances d'entraînement en utilisant des outils modernes.

Format du cours permettant d'évaluer les participants

• Conférence interactive et discussion guidée.
• Exercices pratiques et mises en œuvre concrètes.
• Démonstrations de codage en direct et applications basées sur des projets.

Options d'adaptation du cours

• Pour demander une version adaptée de ce cours (par exemple, en utilisant PyTorch au lieu de TensorFlow), veuillez nous contacter pour organiser.

L'exploration des fondamentaux de l'intelligence artificielle révèle comment les technologies intelligentes transforment la stratégie numérique, l'automatisation et la prise de décision dans les opérations des entreprises. Elle examine les concepts clés couvrant l'histoire de l'IA, les cadres de résolution de problèmes, la représentation des connaissances, le raisonnement en contexte incertain et les paradigmes d'apprentissage automatique, ainsi que la communication, la perception et l'action autonome. Elle guide les dirigeants et les architectes pour qu'ils évaluent les opportunités de transformation propulsées par l'IA, identifient les tendances émergentes en matière de technologies et intègrent des solutions intelligentes pratiques afin d'accélérer l'agilité de l'entreprise.

Cette formation dirigée par un instructeur, en ligne ou sur site à Clermont-Ferrand, est destinée aux scientifiques des données et aux ingénieurs logiciels qui souhaitent utiliser AdaBoost pour créer des algorithmes de boosting pour l'apprentissage automatique avec Python.

À la fin de cette formation, les participants seront en mesure de :

• Configurer l'environnement de développement nécessaire pour commencer à construire des modèles d'apprentissage automatique avec AdaBoost.
• Comprendre l'approche de l'apprentissage par ensemble et comment implémenter le boosting adaptatif.
• Apprendre à construire des modèles AdaBoost pour améliorer les algorithmes d'apprentissage automatique en Python.
• Utiliser l'ajustement des hyperparamètres pour augmenter la précision et les performances des modèles AdaBoost.

Ce cours couvre l'IA (emphasizing Machine Learning et Deep Learning) dans Automotive Industrie. Il aide à déterminer quelle technologie peut (potencialement) être utilisée dans plusieurs situations dans une voiture: de la simple automation, de la reconnaissance d'image à la prise de décision autonome.

Ce programme de 8 jours offre un parcours complet, de solides fondements en génie Python à la conception avancée de systèmes d'IA. Les participants développent des pratiques de codage disciplinées, maîtrisent les méthodes statistiques et d'apprentissage profond, et construisent des systèmes d'IA génératifs et basés sur des agents prêts pour la production. L'accent est mis sur la fiabilité, l'évaluation, la sécurité et le déploiement dans le monde réel, plutôt que sur l'expérimentation seule.

Le réseau de neurones artificiels est un modèle de données informatiques utilisé dans le développement de systèmes Artificial Intelligence (AI) capables d'effectuer des tâches "intelligentes". Les réseaux de neurones artificiels Neural Networks sont couramment utilisés dans les applications Machine Learning (ML), qui sont elles-mêmes une mise en œuvre de l'IA. Le Deep Learning est un sous-ensemble du ML.

Améliorez vos compétences en science des données grâce à ce cours complet d’apprentissage automatique, qui couvre les algorithmes fondamentaux tels que Naïve Bayes, les arbres de décision, les réseaux de neurones, les machines à vecteurs de support et les techniques de clustering. Acquérez une expérience pratique sur les bases théoriques et leur application concrète à l’aide d’exemples réels. Idéal pour les analystes de données, les ingénieurs logiciels, les passionnés d’intelligence artificielle et les professionnels du secteur cherchant à implémenter des solutions d’apprentissage automatique. Maîtrisez les indicateurs de performance de classification, la validation croisée, le compromis biais-variance et les fondamentaux de l’apprentissage profond afin de construire des modèles prédictifs robustes.

Cette formation en Clermont-Ferrand (en ligne ou sur site) s'adresse aux chercheurs et aux développeurs qui souhaitent utiliser Chainer pour construire et entraîner des réseaux neuronaux en Python tout en rendant le code facile à déboguer.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à développer des modèles de réseaux neuronaux.
• Définir et mettre en œuvre des modèles de réseaux neuronaux à l'aide d'un code source compréhensible.
• Exécuter des exemples et modifier des algorithmes existants pour optimiser les modèles d'apprentissage profond tout en tirant parti des GPUs pour obtenir de hautes performances.

Cette formation dirigée par un instructeur (en ligne ou sur site) fournit une introduction au domaine de la reconnaissance de formes et de l'apprentissage automatique. Elle aborde des applications pratiques dans les domaines de la statistique, de l'informatique, du traitement du signal, de la vision par ordinateur, de l'exploration de données et de la bio-informatique.

À la fin de cette formation, les participants seront en mesure de :

• Appliquer des méthodes statistiques fondamentales à la reconnaissance de formes.
• Utiliser des modèles clés comme les réseaux de neurones et les méthodes à noyau pour l'analyse des données.
• Mettre en œuvre des techniques avancées pour résoudre des problèmes complexes.
• Améliorer la précision des prédictions en combinant différents modèles.

Cette formation en direct avec instructeur en Clermont-Ferrand (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, dispensée par un instructeur en Clermont-Ferrand (en ligne ou sur site), s'adresse aux data scientists souhaitant accélérer les applications d'apprentissage automatique en temps réel et les déployer à grande échelle.

À la fin de cette formation, les participants seront en mesure de :

• Installer la boîte à outils OpenVINO.
• Accélérer une application de vision par ordinateur en utilisant un FPGA.
• Exécuter différentes couches de CNN sur le FPGA.
• Étendre l'application sur plusieurs nœuds dans un cluster Kubernetes.

Cette formation en <loc&gt ; (en ligne ou sur site) est destinée aux data scientists qui souhaitent utiliser TensorFlow pour analyser des données de fraude potentielle.

A l'issue de cette formation, les participants seront capables de :

• Créer un modèle de détection de fraude dans Python et TensorFlow.
• Construire des régressions linéaires et des modèles de régression linéaire pour prédire la fraude.
• Développer une application d'IA de bout en bout pour l'analyse des données de fraude.

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 de neurones.

Python est un langage de programmation de haut niveau connu pour sa syntaxe claire et la lisibilité de son code.

Dans cette formation dirigée par un instructeur, les participants apprendront à mettre en œuvre des modèles d'apprentissage profond pour le secteur des télécommunications en utilisant Python tout au long de la création d'un modèle de risque de crédit basé sur l'apprentissage profond.

À 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 le secteur des télécommunications.
• Utiliser Python, Keras et TensorFlow pour créer des modèles d'apprentissage profond pour le secteur des télécommunications.
• Construire leur propre modèle de prédiction de churn client basé sur l'apprentissage profond en utilisant Python.

Format du cours permettant d'évaluer les participants

• Conférence interactive et discussion.
• Nombreux exercices et pratiques.
• Mise en œuvre pratique dans un environnement de laboratoire live.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Cette formation en direct avec instructeur en Clermont-Ferrand (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.

Cette formation en direct, animée par un instructeur et disponible en Clermont-Ferrand (en ligne ou sur site), s'adresse aux développeurs ou aux data scientists souhaitant utiliser Horovod pour exécuter des entraînements d'apprentissage profond distribués et les mettre à l'échelle afin de les faire fonctionner sur plusieurs GPU en parallèle.

À la fin de cette formation, les participants seront capables de :

• Configurer l'environnement de développement nécessaire pour démarrer des entraînements d'apprentissage profond.
• Installer et configurer Horovod pour entraîner des modèles avec TensorFlow, Keras, PyTorch et Apache MXNet.
• Mettre à l'échelle l'entraînement en apprentissage profond avec Horovod pour l'exécuter sur plusieurs GPU.

Cette formation pratique, animée par un formateur, s'inscrit comme une suite naturelle au cours Python pour l'analyse de données.

Elle présente aux participants les concepts fondamentaux du Machine Learning et montre comment ceux-ci peuvent être appliqués directement à des tâches d'analyse de données, telles que la prédiction, la classification et la segmentation.

L'accent est mis sur la compréhension du fonctionnement pratique du Machine Learning, en utilisant des outils familiers tels que Python, Pandas et Jupyter Notebook, sans nécessiter de solides connaissances mathématiques avancées.

Ce cours est destiné aux personnes qui ont déjà une expérience en science des données et en statistiques. Les explications fournies sont conçues pour servir de rappel à ceux qui sont déjà familiarisés avec les concepts ou pour informer ceux qui ont un bagage approprié.

Cette formation en direct avec instructeur en Clermont-Ferrand (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.

Ce cours de formation est destiné aux personnes souhaitant appliquer des techniques de Machine Learning de base dans des applications pratiques.

Public cible

Data scientists et statisticiens ayant une certaine familiarité avec le machine learning et sachant programmer en R. L'accent est mis sur les aspects pratiques de la préparation des données/modèles, de l'exécution, de l'analyse post hoc et de la visualisation. Le but est de donner une introduction pratique au machine learning aux participants intéressés à appliquer ces méthodes dans leur travail.

Des exemples spécifiques à chaque secteur sont utilisés pour rendre la formation pertinente pour le public cible.

Cette formation dirigée par un instructeur, en ligne ou sur site, est destinée aux développeurs qui souhaitent utiliser Google’s ML Kit pour créer des modèles d'apprentissage automatique optimisés pour le traitement sur les appareils mobiles.

À la fin de cette formation, les participants seront en mesure de :

• Définir 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 en utilisant les API ML Kit. 
• Améliorer et optimiser les applications existantes en utilisant le SDK ML Kit pour le traitement sur appareil et le déploiement.

Ce cours introduit les méthodes d'apprentissage automatique dans les applications robotiques.

Il offre un aperçu général des méthodes existantes, motivations et principales idées dans le contexte de la reconnaissance de motifs.

Après une brève introduction théorique, les participants effectueront des exercices simples en utilisant des logiciels open source (généralement R) ou tout autre logiciel populaire.

Cette formation en direct, animée par un formateur (en ligne ou sur site) s'adresse aux analystes de données intermédiaires, développeurs ou futurs scientifiques des données qui souhaitent appliquer les techniques d'apprentissage automatique dans Python pour extraire des insights, faire des prédictions et automatiser les décisions basées sur les données.

À la fin de cette formation, les participants seront capables de :

• Comprendre et différencier les principaux paradigmes d'apprentissage automatique.
• Explorer les techniques de prétraitement des données et les métriques d'évaluation des modèles.
• Appliquer des algorithmes d'apprentissage automatique pour résoudre des problèmes de données du monde réel.
• Utiliser les bibliothèques Python et les carnets Jupyter pour le développement pratique.
• Construire des modèles pour la prédiction, la classification, la recommandation et le regroupement.

Cette formation dirigée par un instructeur, en ligne ou sur site à Clermont-Ferrand, est destinée aux data scientists et ingénieurs logiciels qui souhaitent utiliser Random Forest pour construire des algorithmes d'apprentissage automatique pour de grands ensembles de données.

À la fin de cette formation, les participants seront capables de :

• Configurer 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 gérer 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 ajustant les hyperparamètres.

Cette formation dirigée par un instructeur en <loc&gt ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent utiliser Tensorflow 2.x pour construire des prédicteurs, des classificateurs, des modèles génératifs, des réseaux neuronaux et ainsi de suite.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer TensorFlow 2.x.
• Comprendre les avantages de TensorFlow 2.x par rapport aux versions précédentes.
• Construire des modèles d'apprentissage profond.
• Implémenter un classificateur d'images avancé.
• Déployer un modèle d'apprentissage profond dans le cloud, les appareils mobiles et IoT.

Ce cours commence par vous donner des connaissances conceptuelles sur les réseaux de neurones et, plus généralement, sur les algorithmes d'apprentissage automatique, l'apprentissage profond (algorithmes et applications).

La partie 1 (40%) de cette formation se concentre principalement sur les fondamentaux, mais vous aidera à choisir la bonne technologie : TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

La partie 2 (20%) de cette formation introduit Theano - une bibliothèque Python qui facilite l'écriture de modèles d'apprentissage profond.

La partie 3 (40%) de la formation se concentrera principalement sur TensorFlow - l'API de la bibliothèque logicielle open source de Google pour l'apprentissage profond. Tous les exemples et exercices pratiques seront réalisés avec TensorFlow.

Public cible

Ce cours est destiné aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d'apprentissage profond

Après avoir suivi ce cours, les participants seront en mesure de :

• bien comprendre les réseaux de neurones profonds (DNN), CNN et RNN
• comprendre la structure et les mécanismes de déploiement de TensorFlow
• être en mesure d'effectuer des tâches d'installation, de configuration et d'architecture d'environnement de production
• être en mesure d'évaluer la qualité du code, de déboguer et de surveiller
• être en mesure de mettre en œuvre des tâches avancées telles que l'entraînement de modèles, la construction de graphes et la journalisation