MACHINE LEARNING MISE EN PRATIQUE EN PYTHON
Maîtrisez la mise en pratique à toutes les étapes d’un projet réel.
Formation créée le 30/11/2022. Dernière mise à jour le 26/10/2023.
Version du programme : 1
Programme de la formation
Vous travaillerez sur un jeu de données qui a été publié par la NASA et qui décrit la vie d'un turboréacteur ; l'objectif sera de prédire si une panne va survenir dans les prochaines 24h, et si oui à cause de quel composant parmi 4. Les données contiennent : - des descriptions des machines comme le type de modèle et le nombre d'année d'utilisation - l'historique des maintenances : interventions de contrôle et réparations - pour ce dernier cas, des détails sont fournis sur le composant tombé en panne - des séries de télémesures : voltage, pression, rotations, vibrations sous forme de séries temporelles Ce jeu de donnée très complet est excellent d’un point de vue pédagogique pour vous apprendre à traiter tous les types de données "classiques" que l'on peut récupérer pour faire de la maintenance prédictive.
Objectifs de la formation
- Comprendre l’apport du Machine Learning et ses limites
- Maîtriser les principaux algorithmes
- Savoir créer et optimiser un modèle prédictif en python
- Mesurer la qualité des modèles et les performances attendues en production
- Connaître le workflow global du projet
- Savoir mettre en œuvre les bonnes pratiques pour éviter les écueils de ce type de projet
- Pouvoir déployer un modèle, le superviser et le mettre à jour en production
- Comprendre comment appliquer le Machine Learning sur des données structurées, sur du texte, et sur des séries temporelles
Profil des bénéficiaires
- Data scientist, data engineer, data analyst, chercheur, ingénieur R&D, statisticien, et toute personne travaillant dans la data et ayant une première expérience des modèles prédictifs
- Avoir suivi une formation Machine Learning niveau 1, ou un MOOC en ligne (par exemple le MOOC d’Andrew Ng sur Coursera), ou avoir une première expérience dans la création de modèles prédictif et leur évaluation
- Expérience de Python et de scikit-learn
Contenu de la formation
-
Vous construirez un modèle prédictif petit à petit à partir de ces données brutes, en Python et en utilisant les librairies Python scientifiques, en particulier Pandas. Nous commencerons par des features très simples pour mettre en place le workflow projet, puis nous ferons des itérations au cours desquelles nous pourrons :
- analyser finement les données - pour comprendre comment y trouver des informations utiles et exploitables
- créer des features décisives - en fonction des types de données : données descriptives, séries temporelles...
- optimiser le modèle prédictif - en sélection les meilleurs hyper-paramètres
- mesurer les performances du modèle - en garantissant la fiabilité de ces mesures pour éviter des déceptions en production
-
Chaque étape permettra d'illustrer un point particulier et de constater en l'expliquant l'amélioration - ou pas ! - du critère d'évaluation. Chacun développera au cours de ces deux jours un pipeline de transformation complet, suffisant pour être exploité directement en production.
- Feuilles de présence.
- Questions orales ou écrites (QCM).
- Mises en situation.
- Formulaires d'évaluation de la formation.
- Certificat de réalisation de l’action de formation.
- Accueil des apprenants dans une salle dédiée à la formation.
- Documents supports de formation projetés.
- Exposés théoriques
- Etude de cas concrets
- Quiz en salle
- Mise à disposition en ligne de documents supports à la suite de la formation.