Formation

Orelsan a dit « Vous n’avez pas les bases » et cette formation est là pour vous les donner !
Nous y présenterons ce qui se cache derrière le terme Intelligence Artificielle et nous rappellerons les bases de Python, langage très utilisé en IA, qui seront nécessaires pour les prochaines formations.

Faire un bon modèle de Machine Learning c’est bien mais est-ce que savoir l’expliquer correctement c’est mieux ? Avec la librairie
shap en Python, plus besoin de se poser la question ! Nous allons voir ensemble comment la théorie des jeux peut aider à comprendre le comportement d’un modèle complexe tel que XGBoost, star des compétitions Kaggle.

Dans cette formation, nous verrons l’importance de la visualisation des données, de la « traduire » et de son intérêt croissant.Nous nous proposons de découvrir principalement  trois librairies spécifiques : Matplotlib
, Seaborn et Bokeh. Nous ferons un tour des principales méthodes, avantages et possibilités de ces librairies, de manière non-exhaustive.

Dans cette formation, nous verrons l’importance de la visualisation des données, de la « traduire » et de son intérêt croissant.Nous nous proposons de découvrir principalement  trois librairies spécifiques : Matplotlib
, Seaborn et Bokeh. Nous ferons un tour des principales méthodes, avantages et possibilités de ces librairies, de manière non-exhaustive.

Pandas est LA
librairie de référence en Python pour l’analyse de données. En effet, tout bon Data Scientist doit trouver ses marques et maîtriser cette librairie afin de faciliter son quotidien avec les données.

Nous allons donc aujourd’hui explorer son fonctionnement et quelles sont les fonctions essentielles à retenir, utilisables pour tout projet de Data Science.

La Data Science se base sur des fondations solides en mathématiques, notamment en statistiques, probabilités et algèbre linéaire. C’est pourquoi nous nous proposons d’explorer aujourd’hui la librairie de calcul optimisé en Python :
Numpy.

A travers la classe array de Numpy
, vous allez pouvoir constater que tout calcul scientifique peut se réaliser sous forme de matrices, ce qui est très important pour la suite de cette exploration dans le vaste monde de l’Intelligence Artificielle.

Afin de poser les premières briques du Machine Learning, la formation couvre les méthodes et algorithmes classiques de ML (classification,regression linéaire, ..) ainsi qu’un premier aperçu du Deep Learning avec quelques
unes des librairies les plus utilisées ( Tensorflow , Keras, …) qu’on utilisera par la suite !

L’objectif est de se diriger doucement (mais surement) vers la formation suivante qui traitera des réseaux de neurones et où on construira ensemble notre première IA !

Celle là sera indispensable pour la suite !

Jules Salzinger, ingénieur Deep Learning et ancien formateur , nous parle de la planification d’expériences en Machine Learning, ou plutôt comment savoir s’il est justifié de faire ce qu’on fait. Cette présentation assez
théorique nous permettra de tirer des enseignements pour tous nos projets à venir.

Maintenant qu’on a posé les bases avec les librairies python, Valentin nous propose de faire un tour d’horizon de l’Intelligence Artificielle , ce que c’est concrètement, son histoire et ses applications.

Dans la continuité de la première formation d’introduction à l’IA par python, on vous propose de faire un tour rapide du Data Cleaning et du Data Processing en Python avant d’introduire des premières notions de régression
et classification.

Pour ce premier récapitulatif sur les bases de la Data Science , on repart des bases de Python avant d’explorer une des principales librairies : Numpy  et une première approche du module Pandas