Formation Machine Learning en Gand

Cette formation animée par un instructeur à Gand (en ligne ou en présentiel) s'adresse aux professionnels de niveau débutant souhaitant comprendre le concept des modèles pré-entraînés et apprendre à les appliquer pour résoudre des problèmes concrets sans avoir à construire des modèles à partir de zéro.

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

• Comprendre le concept et les avantages des modèles pré-entraînés.
• Explorer diverses architectures de modèles pré-entraînés et leurs cas d'utilisation.
• Ajuster finement un modèle pré-entraîné pour des tâches spécifiques.
• Intégrer des modèles pré-entraînés dans de simples projets d'apprentissage automatique.

Cette formation en présentiel ou à distance, animée par un formateur, dans Gand s'adresse à des participants de tous niveaux souhaitant exploiter la plateforme AutoML de Google pour construire des chatbots personnalisés destinés à diverses applications.

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

• Comprendre les fondamentaux du développement de chatbots.
• Se repérer sur Google Cloud Platform et accéder à AutoML.
• Préparer les données nécessaires à l'entraînement des modèles de chatbots.
• Former et évaluer des modèles de chatbots personnalisés à l'aide d'AutoML.
• Déployer et intégrer les chatbots sur diverses plateformes et canaux.
• Surveiller et optimiser les performances des chatbots au fil du temps.

Cette formation en présentiel ou en ligne, encadrée par un formateur, dans Gand s'adresse aux développeurs d'IA de niveau intermédiaire, aux ingénieurs en apprentissage automatique et aux architectes systèmes qui souhaitent optimiser les modèles d'IA pour un déploiement edge.

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

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

Cette formation en direct, dispensée par un formateur, à Gand (en ligne ou en présentiel), s'adresse aux développeurs, data scientists et passionnés de technologie de niveau intermédiaire souhaitant acquérir des compétences pratiques pour déployer des modèles d'IA sur des appareils en périphérie dans diverses applications.

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

• Comprendre les principes de l'IA en périphérie et ses avantages.
• Mettre en place et configurer l'environnement de calcul en périphérie.
• Développer, entraîner et optimiser des modèles d'IA pour un déploiement en périphérie.
• Mettre en œuvre des solutions d'IA pratiques sur des appareils en périphérie.
• Évaluer et améliorer les performances des modèles déployés en périphérie.
• Prendre en compte les aspects éthiques et de sécurité dans les applications d'IA en périphérie.

Kubeflow est une plateforme open source conçue pour simplifier la construction, la formation et le déploiement de charges de travail d'apprentissage automatique (machine learning) sur Kubernetes.

Cette formation en présentiel ou à distance, animée par un instructeur, s'adresse aux professionnels de niveau débutant à intermédiaire qui souhaitent créer des flux de travail d'apprentissage automatique fiables à l'aide de Kubeflow.

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

• Explorer l'écosystème de Kubeflow et ses composants principaux.
• Construire des flux de travail reproductibles avec Kubeflow Pipelines.
• Exécuter des tâches de formation évolutives sur Kubernetes.
• Servir efficacement des modèles d'apprentissage automatique avec Kubeflow Serving.

Format du cours

• Présentations guidées et discussions collaboratives.
• Ateliers pratiques avec des composants Kubeflow réels.
• Exercices pratiques pour construire des flux de travail d'apprentissage automatique de bout en bout.

Options de personnalisation du cours

• Des versions personnalisées de cette formation peuvent être organisées pour correspondre au stack technologique et aux besoins de vos projets.

Cette formation en direct avec instructeur à Gand (en ligne ou sur site) s'adresse aux développeurs intermédiaires, aux scientifiques des données et aux praticiens de l'IA qui souhaitent exploiter TensorFlow Lite pour des applications d'IA en périphérie.

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

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

Cette formation en direct, animée par un instructeur, est disponible en Gand (en ligne ou sur site) et s'adresse aux professionnels de niveau avancé souhaitant maîtriser les technologies sous-jacentes aux systèmes autonomes.

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

• Concevoir et implémenter des modèles d'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 propulsés par l'IA.
• Intégrer les systèmes autonomes aux frameworks de robotique et d'IA existants.

Cette formation en direct, encadrée par un formateur, en Gand (en ligne ou sur site), s'adresse aux professionnels de niveau avancé souhaitant 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 l'issue de cette formation, les participants seront capables de :

• Créer et entraîner des réseaux de neurones convolutifs (CNN) en utilisant TensorFlow.
• Tirer parti de Google Colab pour un développement de modèles cloud évolutif et efficace.
• 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 l'apprentissage par transfert 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 formateur à Gand (en ligne ou sur site) s'adresse à des professionnels de niveau avancé souhaitant approfondir leurs connaissances sur les modèles d'apprentissage automatique, améliorer leurs compétences en optimisation des hyperparamètres et apprendre à déployer efficacement des modèles avec Google Colab.

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

• Implémenter des modèles d'apprentissage automatique avancés à l'aide de frameworks populaires tels que Scikit-learn et TensorFlow.
• Optimiser les performances des modèles grâce au réglage des hyperparamètres.
• Déployer des modèles d'apprentissage automatique dans des applications réelles en utilisant Google Colab.
• Collaborer et gérer des projets d'apprentissage automatique à grande échelle dans Google Colab.

Cette formation en présentiel ou en ligne, animée par un formateur, est dispensée à Gand et s'adresse aux professionnels de niveau intermédiaire souhaitant appliquer des techniques d'IA pour optimiser la gestion du rendement 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 influençant les taux de rendement.
• Mettre en œuvre des algorithmes d'IA pour améliorer les processus de gestion du rendement.
• Optimiser les paramètres de production afin de réduire les défauts et améliorer les rendements.
• Intégrer la gestion du rendement pilotée par l'IA dans les flux de travail de production existants.

Cette formation en direct animée par un instructeur à Gand (en ligne ou sur site) s'adresse aux professionnels des affaires et de l'IA de niveau intermédiaire qui souhaitent appliquer l'apprentissage automatique dans les affaires, la prévision et les systèmes basés sur l'IA à l'aide d'études de cas réelles et d'outils basés sur Python.

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

• Comprendre comment l'apprentissage automatique s'insère dans l'IA et la stratégie commerciale.
• Appliquer des techniques d'apprentissage supervisé et non supervisé à des problèmes commerciaux structurés.
• Prétraiter et transformer les données pour la modélisation.
• Utiliser des réseaux neuronaux pour des tâches de classification et de prédiction.
• Effectuer des prévisions de ventes en utilisant des méthodes statistiques et basées sur le ML.
• Mettre en œuvre le clustering et l'extraction de règles d'association pour la segmentation client et la découverte de motifs.

Cette formation en direct, animée par un instructeur à Gand (en ligne ou sur site), s'adresse aux professionnels de niveau avancé qui souhaitent appliquer des techniques d'IA de pointe à l'automatisation de la conception de semi-conducteurs, afin d'améliorer l'efficacité, la précision et l'innovation dans la conception et la vérification des puces.

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

• Appliquer des techniques avancées d'IA pour optimiser les processus de conception des semi-conducteurs.
  
• Intégrer des modèles d'apprentissage automatique dans les outils EDA pour améliorer la vérification de la conception.
  
• Développer des solutions pilotées par l'IA pour relever des défis complexes de conception lors de la fabrication des puces.
  
• Tirer parti des réseaux neuronaux pour améliorer la précision et la rapidité de l'automatisation de la conception.
  

Cette formation en direct, animée par un formateur, dans Gand (en ligne ou sur site), s'adresse aux data scientists et développeurs de niveau intermédiaire souhaitant comprendre et appliquer des techniques d'apprentissage profond dans l'environnement Google Colab.

À l'issue 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 avec TensorFlow.
• Entraîner et évaluer des modèles d'apprentissage profond.
• Utiliser les fonctionnalités avancées de TensorFlow pour l'apprentissage profond.

Cette formation en direct, animée par un formateur, à Gand (en ligne ou sur site), s'adresse aux professionnels de niveau intermédiaire souhaitant comprendre et appliquer les techniques d'IA pour optimiser les processus de fabrication des semi-conducteurs.

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

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

Cette formation en direct avec un instructeur en Gand (en ligne ou sur site) s'adresse à des participants de niveau intermédiaire souhaitant automatiser et gérer des workflows d'apprentissage automatique, incluant l'entraînement des modèles, la validation et le déploiement à l'aide d'Apache Airflow.

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

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

Cette formation en direct, animée par un instructeur, en Gand (en ligne ou sur site), s'adresse aux data scientists et développeurs de niveau intermédiaire souhaitant appliquer efficacement des algorithmes d'apprentissage automatique grâce à l'environnement Google Colab.

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

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

Cette formation en présentiel ou en ligne, animée par un instructeur, Gand s'adresse aux professionnels de niveau avancé souhaitant explorer les techniques les plus récentes de compréhension des modèles d'intelligence artificielle (XAI) pour les modèles de deep learning, avec un accent particulier sur la conception de systèmes d'IA interprétables.

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

• Comprendre les défis liés à la compréhension des modèles de deep learning.
• Mettre en œuvre des techniques avancées de compréhension pour les réseaux neuronaux.
• Interpréter les décisions prises par les modèles de deep learning.
• Évaluer les compromis entre performance et transparence.

Cette formation en direct, animée par un instructeur, en Gand (en ligne ou en présentiel), s'adresse aux data scientists et aux développeurs souhaitant 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 l'issue de cette formation, les participants seront capables de :

• Installer ML.NET et l'intégrer à l'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 de manière intelligente avec les données fournies.
• Évaluer les performances d'un modèle d'apprentissage automatique en utilisant les métriques ML.NET.
• Optimiser la précision des modèles d'apprentissage automatique existants sur la base du framework ML.NET.
• Appliquer les concepts d'apprentissage automatique de ML.NET à d'autres applications de science des données.

Cette formation dirigée par un instructeur, dispensée à Gand (en présentiel ou à distance), s'adresse aux professionnels des données de niveau intermédiaire souhaitant appliquer les techniques d'apprentissage automatique à des problématiques commerciales basées sur les données, y compris la prévision des ventes et la modélisation prédictive à l'aide de réseaux de neurones.

À l'issue 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 des associations.
• Réaliser des analyses exploratoires des données et les préparer à l'aide de Python.
• Utiliser des réseaux de neurones pour des tâches de modélisation non linéaire.
• Mettre en œuvre l'analyse prédictive pour la prévision commerciale, notamment sur les données de ventes.
• Évaluer et optimiser la performance des modèles à l'aide de techniques visuelles et statistiques.

Cette formation en direct avec instructeur en Gand (en ligne ou sur site) s'adresse aux professionnels de la cybersécurité de niveau intermédiaire à avancé souhaitant perfectionner leurs compétences en matière de détection des menaces et de réponse aux incidents basées sur l'IA.

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

• Implémenter des algorithmes d'IA avancés pour la détection des menaces en temps réel.
• Personnaliser les modèles d'IA pour des défis spécifiques de cybersécurité.
• Développer des flux de travail automatisés pour la réponse aux menaces.
• Sécuriser les outils de sécurité pilotés par l'IA contre les attaques adversariales.

Cette formation en direct, animée par un formateur, à Gand (en ligne ou sur site), s'adresse aux professionnels de la cybersécurité de niveau débutant souhaitant apprendre à exploiter l'IA pour améliorer leurs capacités de détection et de réponse aux menaces.

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

• Comprendre les applications de l'IA dans la cybersécurité.
• Implémenter 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 existantes de cybersécurité.

Cette formation en présentiel ou en ligne, animée par un formateur à Gand s'adresse aux biologistes souhaitant comprendre le fonctionnement d'AlphaFold et utiliser les modèles AlphaFold comme guides dans leurs études expérimentales.

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

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

Cette formation en présentiel ou en ligne, animée par un formateur, s'adresse aux analystes de données de niveau intermédiaire souhaitant apprendre à utiliser RapidMiner pour estimer et projeter des valeurs, ainsi qu'à exploiter des outils analytiques pour la prévision par série temporelle.

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

• Appliquer la méthodologie CRISP-DM, sélectionner les algorithmes d'apprentissage automatique appropriés, et améliorer la construction et les performances des modèles.
• Utiliser RapidMiner pour estimer et projeter des valeurs, et exploiter des outils analytiques pour la prévision par série temporelle.

L'objectif de ce cours est d'acquérir des compétences de base dans l'application des méthodes d'apprentissage automatique en pratique. Grâce à l'utilisation du langage de programmation Python et de ses nombreuses bibliothèques, et sur la base de nombreux exemples concrets, ce cours apprend à utiliser les blocs de construction les plus importants de l'apprentissage automatique, à prendre des décisions de modélisation des données, à interpréter les sorties des algorithmes et à valider les résultats.

Notre objectif est de vous donner les compétences pour comprendre et utiliser les outils fondamentaux de la boîte à outils d'apprentissage automatique en toute confiance et éviter les pièges courants des applications de science des données.

Ce cours vise à acquérir une compétence générale dans l’application des méthodes d’apprentissage automatique en contexte professionnel. À l’aide du langage de programmation Python et de ses nombreuses bibliothèques, et basé sur de nombreux exemples pratiques, ce cours enseigne comment utiliser les éléments fondamentaux de l’apprentissage automatique, comment prendre des décisions concernant la modélisation des données, interpréter les sorties des algorithmes et valider les résultats.

Notre objectif est de vous donner les connaissances nécessaires pour comprendre et utiliser avec assurance les outils les plus essentiels de la boîte à outils de l’apprentissage automatique, tout en évitant les écueils courants des applications en sciences des données.

Ce cours d'IA appliquée à partir de zéro en Python permet aux programmeurs et aux analystes de données d'acquérir des techniques fondamentales pour concevoir des solutions de machine learning à partir des bases en utilisant Python. Il couvre les principes clés de l'apprentissage supervisé (classification et régression), de l'apprentissage non supervisé (regroupement et détection d'anomalies) ainsi que des architectures avancées de réseaux neuronaux. Le cours passe en revue des méthodes éprouvées pour utiliser scikit-learn, Apache Spark MLlib et les notebooks Jupyter dans le développement pratique d'IA. Il aide les professionnels à mettre en œuvre des modèles de ML concrets, à évaluer les limites des algorithmes et à réaliser des projets appliqués pour résoudre des problèmes du monde réel.

L'apprentissage par renforcement profond (Deep Reinforcement Learning, DRL) associe les principes de l'apprentissage par renforcement aux architectures d'apprentissage profond pour permettre aux agents de prendre des décisions grâce à leur interaction avec leur environnement. Il est à la base de nombreuses avancées modernes en intelligence artificielle, telles que 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 sur la base d'apprentissages par essai-erreur et de récompenses.

Cette formation animée par un instructeur (en ligne ou sur site) s'adresse aux développeurs et aux data scientists de niveau intermédiaire souhaitant apprendre et mettre en œuvre des techniques d'apprentissage par renforcement profond pour construire des agents intelligents capables de prendre des décisions autonomes dans des environnements complexes.

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

• Comprendre les fondements théoriques et les principes mathématiques de l'apprentissage par renforcement.
• Implémenter les principaux algorithmes d'apprentissage par renforcement, tels que l'apprentissage Q, les gradients de politique et les méthodes Actor-Critic.
• Construire et entraîner des agents d'apprentissage par renforcement profond en utilisant TensorFlow ou PyTorch.
• Appliquer le DRL à des applications réelles telles que les jeux, la robotique et l'optimisation des décisions.
• Diagnostiquer, visualiser et optimiser les performances d'entraînement à l'aide d'outils modernes.

Format du cours

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

Options de personnalisation du cours

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

Explorer les fondements de l'intelligence artificielle révèle comment la technologie intelligente transforme la stratégie numérique, l'automatisation et la prise de décision au sein des opérations des entreprises. Examine les concepts de base couvrant l'histoire de l'IA, les cadres de résolution de problèmes, la représentation des connaissances, le raisonnement sous incertitude et les paradigmes d'apprentissage automatique, ainsi que la communication, la perception et l'action autonome. Guide les dirigeants et les architectes dans l'évaluation des opportunités de transformation pilotées par l'IA, l'analyse des tendances technologiques émergentes et l'intégration de solutions intelligentes pratiques pour accélérer l'agilité des affaires.

Cette formation en direct, animée par un instructeur en Gand (en ligne ou en présentiel), s'adresse aux data scientists et aux ingénieurs logiciels souhaitant utiliser AdaBoost pour concevoir des algorithmes de boosting en apprentissage automatique avec Python.

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

• Configurer l'environnement de développement nécessaire au début de la conception de modèles d'apprentissage automatique avec AdaBoost.
• Comprendre l'approche d'apprentissage par ensembles et savoir comment implémenter le boosting adaptatif.
• Savoir comment construire des modèles AdaBoost pour améliorer les performances des algorithmes d'apprentissage automatique en Python.
• Utiliser le réglage des hyperparamètres afin d'augmenter la précision et les performances des modèles AdaBoost.

Ce cours porte sur l'IA (en mettant l'accent sur l'apprentissage automatique et l'apprentissage profond) dans l'industrie automobile. Il aide à déterminer quelles technologies peuvent (éventuellement) être utilisées dans diverses situations à bord d'un véhicule, allant de l'automatisation simple et la reconnaissance d'images jusqu'à la prise de décision autonome.

Ce programme de 8 jours offre un parcours complet, des bases solides en ingénierie Python jusqu'à la conception avancée de systèmes IA. Les participants développent des pratiques de codage disciplinées, maîtrisent les méthodes d'apprentissage statistique et 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 conditions réelles, plutôt que sur la simple expérimentation.

Un réseau neuronal artificiel est un modèle de données computationnel utilisé dans le développement de systèmes d'intelligence artificielle (IA) capables d'effectuer des tâches « intelligentes ». Les réseaux neuronaux sont couramment utilisés dans les applications d'apprentissage automatique (ML), qui constituent elles-mêmes une implémentation de l'IA. L'apprentissage profond (Deep Learning) est un sous-ensemble de l'apprentissage automatique.

Rehaussez vos compétences en science des données grâce à ce cours de formation complet en apprentissage automatique, couvrant les algorithmes fondamentaux tels que Naïve Bayes, les arbres de décision, les réseaux de neurones, les machines à vecteurs de soutien (SVM) et les techniques de clustering. Acquérez une expérience pratique des fondements théoriques et de leur application concrète à travers des exemples tirés de la réalité. Idéal pour les analystes de données, les ingénieurs logiciels, les passionnés d'intelligence artificielle et les professionnels des affaires souhaitant mettre en œuvre des solutions d'apprentissage automatique. Maîtrisez les métriques de performance de classification, la validation croisée, le compromis biais-variance et les fondamentaux du deep learning afin de construire des modèles prédictifs robustes.

Cette formation en direct, animée par un formateur, en Gand (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 facilitant le débogage du code.

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

• Configurer l'environnement de développement nécessaire pour commencer à développer des modèles de réseaux neuronaux.
• Définir et implémenter 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'entraînement en apprentissage profond, tout en tirant parti des GPU pour des performances élevées.

Cette formation en direct, dispensée par un formateur à Gand (en ligne ou sur site), fournit une introduction au domaine de la reconnaissance des motifs et de l'apprentissage automatique. Elle aborde des applications pratiques dans les domaines des statistiques, de l'informatique, du traitement du signal, de la vision par ordinateur, de l'extraction de données (data mining) et de la bio-informatique.

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

• Appliquer des méthodes statistiques fondamentales à la reconnaissance des motifs.
• Utiliser des modèles clés tels que les réseaux de neurones et les méthodes de noyau pour l'analyse des données.
• Implémenter des techniques avancées pour la résolution de problèmes complexes.
• Améliorer la précision des prédictions en combinant différents modèles.

Cette formation en présentiel ou en ligne, animée par un instructeur à Gand, s'adresse aux scientifiques des données et aux analystes des données qui souhaitent automatiser, évaluer et gérer des modèles prédictifs en utilisant les capacités d'apprentissage automatique de DataRobot.

À 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 entraîner des modèles pour identifier les variables importantes et atteindre les objectifs de prédiction.
• Interpréter les modèles pour créer des insights précieux utiles dans la prise de décisions commerciales.
• Surveiller et gérer les modèles afin de maintenir une performance de prédiction optimisée.

Public cible

Ce cours s’adresse aux chercheurs et ingénieurs en apprentissage profond souhaitant exploiter les outils disponibles (principalement open source) pour analyser des images par ordinateur.

Des exemples concrets et fonctionnels sont fournis.

Cette formation animée par un instructeur à <lieu> (en ligne ou sur site) s'adresse aux data scientists qui souhaitent accélérer les applications d'apprentissage machine en temps réel et les déployer à grande échelle.

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

• Installer la boîte à outils OpenVINO.
• Accélérer une application de vision par ordinateur à l'aide d'un FPGA.
• Exécuter différentes couches CNN sur le FPGA.
• Mettre à l'échelle l'application sur plusieurs nœuds d'un cluster Kubernetes.

Cette formation en direct, animée par un formateur à Gand (en ligne ou sur site), s'adresse aux data scientists qui souhaitent utiliser TensorFlow pour analyser des données potentielles de fraude.

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

• Créer un modèle de détection de la fraude en Python et avec TensorFlow.
• Construire des régressions linéaires et des modèles de régression linéaire pour prédire la fraude.
• Développer une application d'intelligence artificielle de bout en bout pour analyser les données de fraude.

L'apprentissage automatique (machine learning) est une branche de l'intelligence artificielle dans laquelle les ordinateurs sont capables d'apprendre sans être explicitement programmés.

L'apprentissage profond (deep learning) 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 célèbre pour sa syntaxe claire et la lisibilité de son code.

Lors de cette formation en présentiel dirigée par un instructeur, les participants apprendront à implémenter des modèles d'apprentissage profond pour les télécommunications en utilisant Python, tout en concevant un modèle de risque de crédit basé sur l'apprentissage profond.

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

• Comprendre les concepts fondamentaux de l'apprentissage profond.
• Connaître les applications et utilisations de l'apprentissage profond dans le secteur des télécommunications.
• Utiliser Python, Keras et TensorFlow pour créer des modèles d'apprentissage profond destinés aux télécommunications.
• Construire leur propre modèle de prédiction de l'attrition client (churn) basé sur l'apprentissage profond en utilisant Python.

Format du cours

• Conférences interactives et débats.
• De nombreux exercices et mises en pratique.
• Mise en œuvre concrète dans un environnement de laboratoire en direct.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour convenir des détails.

Cette formation en présentiel ou en ligne animée par un instructeur à Gand s'adresse aux scientifiques des données, aux analystes de données et aux développeurs souhaitant explorer les produits et fonctionnalités d'AutoML afin de créer et déployer des modèles d'entraînement ML personnalisés avec un effort minimal.

À la fin 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 afin de créer des modèles ML personnalisés.
• Entraîner et gérer des modèles pour produire des modèles d'apprentissage automatique précis et équitables.
• Effectuer des prédictions à l'aide de modèles entraînés pour atteindre les objectifs et répondre aux besoins commerciaux.

Cette formation en direct en Gand (en ligne ou en présentiel) s'adresse aux développeurs ou aux scientifiques des données qui souhaitent utiliser Horovod pour exécuter des entraînements d'apprentissage profond distribués et les mettre à l'échelle pour qu'ils s'exécutent sur plusieurs GPU en parallèle.

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

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

Cette formation pratique, animée par un formateur, est conçue comme une suite naturelle du cours Python pour l'analyse de données.

Elle introduit les participants aux 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 connaissances mathématiques avancées.

Ce cours s'adresse aux personnes ayant déjà des connaissances en data science et en statistiques. Les explications fournies sont conçues soit pour rappeler les concepts à ceux qui les maîtrisent déjà, soit pour informer ceux qui possèdent le bagage nécessaire.

Cette formation en présentiel ou à distance, encadrée par un instructeur, est destinée aux développeurs et aux data scientists souhaitant concevoir, déployer et gérer des workflows de Machine Learning sur Kubernetes.

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

• Installer et configurer Kubeflow, que ce soit sur site (on-premise) ou dans le cloud.
• Concevoir, déployer et gérer des workflows ML basés sur des conteneurs Docker et Kubernetes.
• Exécuter des pipelines complets de Machine Learning sur diverses architectures et environnements cloud.
• Utiliser Kubeflow pour créer et gérer des notebooks Jupyter.
• Construire des charges de travail pour l'entraînement, le réglage des hyperparamètres et le déploiement de modèles ML sur plusieurs plateformes.

Ce cours de formation s'adresse aux personnes souhaitant appliquer des techniques de base de Machine Learning dans des applications pratiques.

Public cible

Scientifiques des données et statisticiens ayant une certaine familiarité avec le machine learning et sachant programmer en R. Ce cours met l'accent sur les aspects pratiques de la préparation des données et des modèles, leur exécution, l'analyse postérieure et la visualisation. Il vise à offrir une introduction pratique au machine learning aux participants intéressés par l'application de ces méthodes dans leur travail.

Des exemples spécifiques au secteur sont utilisés pour rendre la formation pertinente pour le public visé.

Cette formation en direct, animée par un instructeur (en ligne ou en présentiel), s'adresse aux développeurs souhaitant utiliser le ML Kit de Google pour construire des modèles d'apprentissage automatique optimisés pour le traitement sur des appareils mobiles.

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

• Configurer l'environnement de développement nécessaire pour commencer à développer des fonctionnalités d'apprentissage automatique pour des applications mobiles.
• Intégrer de nouvelles technologies d'apprentissage automatique dans les applications Android et iOS à l'aide des APIs du ML Kit. 
• Améliorer et optimiser les applications existantes en utilisant le SDK du ML Kit pour le traitement et le déploiement sur l'appareil.

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

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

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

Cette formation live animée par un formateur en Gand (en ligne ou sur site) s'adresse aux analystes de données intermédiaires, aux développeurs ou aux futurs data scientists souhaitant appliquer des techniques de machine learning en Python pour extraire des informations, faire des prédictions et automatiser les décisions basées sur les données.

À la fin de ce cours, les participants seront capables de :

• Comprendre et distinguer les principaux paradigmes du machine learning.
• Explorer les techniques de prétraitement des données et les métriques d'évaluation des modèles.
• Appliquer des algorithmes de machine learning pour résoudre des problèmes de données concrets.
• Utiliser des bibliothèques Python et des notebooks Jupyter pour un développement pratique.
• Construire des modèles de prédiction, classification, recommandation et clustering.

Cette formation en direct, animée par un formateur, est dispensée Gand (en ligne ou en présentiel). Elle s'adresse aux data scientists et aux ingénieurs logiciels souhaitant utiliser Random Forest pour concevoir des modèles d'apprentissage automatique sur de grands ensembles de données.

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

• Configurer l'environnement de développement nécessaire pour commencer à créer des modèles d'apprentissage automatique avec Random Forest.
• Comprendre les avantages de Random Forest et savoir comment l'implémenter pour résoudre des problèmes de classification et de régression.
• Apprendre à gérer de grands ensembles de données et à interpréter les multiples arbres de décision dans Random Forest.
• Évaluer et optimiser les performances des modèles d'apprentissage automatique en ajustant les hyperparamètres.

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

La partie 1 (40 %) de cette formation met davantage l'accent sur les fondamentaux, tout en vous aidant à choisir la technologie appropriée : 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 repose largement sur TensorFlow, l'API de la bibliothèque open source de Google dédiée à l'apprentissage profond. Les exemples et les exercices pratiques seront tous réalisés avec TensorFlow.

Public cible

Ce cours s'adresse aux ingénieurs souhaitant utiliser TensorFlow pour leurs projets d'apprentissage profond.

À l'issue de ce cours, les participants seront capables de :

• avoir une bonne compréhension des réseaux neuronaux profonds (DNN), des CNN et des RNN
• comprendre la structure et les mécanismes de déploiement de TensorFlow
• effectuer l'installation, la configuration et les tâches liées à l'environnement de production et à l'architecture
• évaluer la qualité du code, effectuer du débogage et de la surveillance
• implémenter des fonctionnalités avancées de type production, telles que l'entraînement de modèles, la construction de graphes et la journalisation