Formations au coeur des technologies

Essayer, tester, échanger les bonnes pratiques, partager les retours d'expériences, ...
toutes nos formations sont disponibles à distance (classes virtuelles) et en centre de formation (présentiel), au choix.
Vous pouvez même changer de modalité en cours de formation, si vous avez des contraintes : par exemple, commencer en présentiel et continuer les jours suivants à distance.
Les outils pédagogiques et l'infrastructure de travaux pratiques mis à disposition sont accessibles depuis nos locaux, ou depuis votre entreprise ou votre lieu de télétravail, à volonté
N'hésitez pas à tester nos formations et nos serious games !

Machine Learning et IA

Le Machine Learning est une branche de l'Intelligence Artificielle qui permet l'analyse et la construction d'algorithmes capables d'apprendre à partir de données d'entrée. L'apprentissage machine (Machine Learning) s'appuie sur des principes mathématiques connus

  • classification : tracer des courbes de séparations entre les données
  • régression : tracer une courbe qui passe au plus près des points et des algorithmes éprouvés: régression linéaire, régression logistique, SVM, KNN, arbres de décision, naïve bayésien NBC, forêts aléatoires, k-moyennes,

Deux grandes familles d'apprentissage :

Apprentissage supervisé

Les données à analyser disposent de labels. L'objectif sera certainement de construire un estimateur capable de prédire le label d'un objet à partir de ses valeurs.

La fonction a construire sera de la forme label=f(entrees)

L'algorithme est ensuite capable de faire de la prédiction sur de nouvelles données sans label.

Suivant que l'on souhaite ranger les données ou faire une approximation, on utilisera un algorithme de classification (malade/pas malade) ou un algorithme de régression (prédire la taille d'une personne en fonction de son poids et de son âge par exemple).

Apprentissage non-supervisé

Si les données n'ont pas labels, l'objectif sera alors de trouver des similarités entre les objets observés, pour les regrouper au sein de grappes (algorithmes de clustering).

La puissance d'aujourd'hui est tirée de la distribution des calculs et des données au travers de la technique map/reduce.

Cette puissance permet d'exploiter les techniques de réseaux de neurones, dont l'origine remonte à 1943, et de créer de nouvelles bibliothèques de traitement comme les TensorsFlow

 

 



Pythagore-F.D.

01 55 33 52 10
pfd@pythagore-fd.fr
Calendrier