Formation Apprentissage automatique en Poitiers

Cette formation en direct avec instructeur à Poitiers (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 Poitiers (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, animée par un formateur en Poitiers (en ligne ou sur site), s'adresse aux développeurs de niveau intermédiaire, aux scientifiques de données et aux passionnés de technologie souhaitant acquérir des compétences pratiques dans le déploiement de modèles d'IA sur des dispositifs d'edge pour diverses applications.

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

• Comprendre les principes de l'Edge AI et ses avantages.
• Configurer et paramétrer l'environnement de calcul en périphérie.
• Développer, entraîner et optimiser des modèles d'IA pour le déploiement en périphérie.
• Mettre en œuvre des solutions d'IA pratiques sur des dispositifs d'edge.
• Évaluer et améliorer les performances des modèles déployés en périphérie.
• Prendre en compte les aspects éthiques et de sécurité dans les applications d'Edge AI.

Cette formation en direct, dispensée par un formateur en Poitiers (en ligne ou sur site), s'adresse à des ingénieurs en IA et à des scientifiques de données de niveau avancé, disposant d'une expérience intermédiaire à avancée, et souhaitant améliorer les performances des modèles DeepSeek, réduire la latence et déployer des solutions d'IA efficacement grâce aux pratiques modernes de MLOps.

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

• Optimiser les modèles DeepSeek en termes d'efficacité, de précision et d'évolutivité.
• Mettre en œuvre les meilleures pratiques en matière de MLOps et de gestion des versions de modèles.
• Déployer des modèles DeepSeek sur des infrastructures cloud et sur site.
• Surveiller, maintenir et mettre à l'échelle des solutions d'IA de manière efficace.

Cette formation animée par un formateur sur Poitiers permet aux professionnels avancés d'acquérir les compétences nécessaires pour concevoir, optimiser et déployer des pipelines TinyML complets. Les participants apprendront à collecter des données, entraîner des modèles basse consommation et tester des applications réelles à l'aide d'ateliers pratiques.

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 Poitiers (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 en direct animée par un instructeur dans le domaine Poitiers permet aux professionnels avancés de sécuriser les pipelines TinyML sur les appareils edge. Vous apprendrez à mettre en œuvre des techniques préservant la confidentialité, à renforcer les modèles contre les menaces adverses et à appliquer les meilleures pratiques pour la gestion sécurisée des données dans des environnements contraints.

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 Poitiers (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 de niveau intermédiaire qui souhaitent appliquer des techniques de maintenance prédictive pilotées par l'IA dans la fabrication de semi-conducteurs afin d'améliorer l'efficacité de production et de réduire les pannes d'équipements inattendues.

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

• Mettre en œuvre des modèles IA pour prédire les pannes d'équipements dans la fabrication de semi-conducteurs.
• Analyser les données de maintenance pour identifier les motifs et tendances indiquant des problèmes potentiels.
• Intégrer la maintenance prédictive pilotée par l'IA dans les processus existants de fabrication.
• Réduire les temps d'arrêt et les coûts de maintenance grâce à une gestion proactive des équipements.

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 Poitiers, 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, animée par un instructeur en Poitiers, permet aux praticiens avancés d'optimiser les modèles TinyML pour des appareils embarqués contraints en ressources. Les participants appliqueront la quantification et l'élagage, implémenteront des pipelines d'inférence à faible latence et réaliseront des benchmarks de performance par rapport aux limites de mémoire et d'énergie.

Cette formation en direct avec instructeur en Poitiers (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 en direct (en ligne ou sur site) est destinée aux professionnels débutants qui souhaitent comprendre et appliquer les technologies d'IA dans l'industrie de la fabrication de semi-conducteurs.

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

• Comprendre les principes fondamentaux de l'IA et comment ils s'appliquent à la fabrication de semi-conducteurs.
• Identifier les domaines dans la fabrication de semi-conducteurs où l'IA peut être efficacement mise en œuvre.
• Utiliser des outils et techniques d'IA pour améliorer l'efficacité de production et le contrôle qualité.
• Mettre en place des modèles d'IA de base pour optimiser les processus de fabrication.

Cette formation dirigée par un instructeur, en ligne ou sur site à Poitiers, 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 Poitiers, 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 présentiel ou en ligne, animée par un formateur expert dans Poitiers, s'adresse aux scientifiques des données, ingénieurs en machine learning, chercheurs en apprentissage profond et experts en vision par ordinateur de niveau intermédiaire à avancé, souhaitant élargir leurs connaissances et compétences dans le domaine de la génération d'images à partir de texte.

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

• Comprendre les architectures et techniques avancées d'apprentissage profond pour la génération d'images à partir de texte.
• Mettre en œuvre des modèles complexes et des optimisations pour une synthèse d'images de haute qualité.
• Optimiser les performances et l'évolutivité pour de grands volumes de données et des modèles complexes.
• Régler les hyperparamètres afin d'améliorer la performance du modèle et sa généralisation.
• Intégrer Stable Diffusion avec d'autres frameworks et outils d'apprentissage profond

Cette formation en direct, dirigée par un formateur, à Poitiers (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, dirigée par un formateur (en ligne ou sur site), s'adresse aux ingénieurs intermédiaires des systèmes embarqués et développeurs IA qui souhaitent déployer des modèles d'apprentissage automatique sur des microcontrôleurs en utilisant TensorFlow Lite et Edge Impulse.

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

• Comprendre les fondamentaux du TinyML et ses avantages pour les applications d'IA aux bords.
• Configurer un environnement de développement pour des projets TinyML.
• Former, optimiser et déployer des modèles IA sur des microcontrôleurs à faible consommation.
• Utiliser TensorFlow Lite et Edge Impulse pour mettre en œuvre des applications TinyML réelles.
• Optimiser les modèles IA pour l'efficacité énergétique et les contraintes de mémoire.

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 Poitiers (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 Poitiers (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 animée en direct, disponible en ligne ou sur site, s'adresse aux scientifiques des données, aux ingénieurs en apprentissage automatique et aux chercheurs en vision par ordinateur souhaitant exploiter Stable Diffusion pour générer des images de haute qualité dans divers cas d'usage.

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.

Ce programme de 8 jours propose un parcours complet, allant des solides fondations de l'ingénierie Python jusqu'à la conception avancée de systèmes d'intelligence artificielle. Les participants développent des pratiques de codage rigoureuses, maîtrisent les méthodes statistiques et d'apprentissage profond, et construisent des systèmes d'IA générative et basés sur des agents prêts pour la production. L'accent est mis sur la fiabilité, l'évaluation, la sécurité et le déploiement en environnement réel, plutôt que sur la simple expérimentation.

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 <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.

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.

Cette formation en direct, animée par un instructeur, sur Poitiers (en ligne ou sur site), s'adresse aux développeurs et aux data scientists souhaitant concevoir, déployer et gérer des flux de travail de machine learning sur Kubernetes.

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

• Installer et configurer Kubeflow sur site (on-premise) et dans le cloud.
• Construire, déployer et gérer des flux de travail de ML basés sur les conteneurs Docker et Kubernetes.
• Exécuter des pipelines de machine learning complets sur des architectures diverses et des environnements cloud.
• Utiliser Kubeflow pour générer et gérer des notebooks Jupyter.
• Développer des charges de travail de formation ML, d'ajustement d'hyperparamètres et de service à travers plusieurs plateformes.

Cette formation dirigée par un instructeur en Poitiers (en ligne ou sur site) s'adresse aux ingénieurs souhaitant évaluer les approches et outils disponibles aujourd'hui pour prendre une décision éclairée quant à l'adoption de MLOps au sein de leur organisation.

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

• Installer et configurer divers frameworks et outils MLOps.
• Composer l'équipe appropriée avec les compétences nécessaires pour construire et soutenir un système MLOps.
• Préparer, valider et versionner des données pour leur utilisation par des modèles d'apprentissage automatique.
• Comprendre les composants d'un pipeline ML et les outils nécessaires pour le construire.
• Expérimenter avec différents frameworks et serveurs d'apprentissage automatique pour le déploiement en production.
• Industrialiser l'ensemble du processus d'apprentissage automatique afin qu'il soit reproductible et maintenable.

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 en direct, animée par un instructeur, sur Poitiers (en ligne ou sur site), s'adresse aux développeurs et aux scientifiques de données souhaitant utiliser TensorFlow 2.x pour construire des prédicteurs, des classifieurs, des modèles génératifs, des réseaux de neurones et bien plus encore.

À 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.
• Mettre en œuvre un classifieur d'images avancé.
• Déployer un modèle d'apprentissage profond sur le cloud, les appareils mobiles et les objets connectés (IoT).