Datalchemy Services Formations Références Equipe Blog Contacter Datalchemy

Mathématiques pour le data-scientist

Public : Data-scientists, mathématiciens, chercheurs

Durée : 3 jours

Pré-requis : Solide bagage mathématique

Tarif : 600€ par élève et par jour (min. 3 élèves)

Points clés

● Probabilités Bayésiennes ● Théorie de l’apprentissage ● Optimisation convexe, stochastique ● Application au deep learning

Technologies abordées

Formule de Bayes, sélection de modèle, maximum d’entropie, maximum likelihood, loss function, Stochastic Gradient Descent, régression, classification, algèbre linéaire, validation croisée

Intelligence artificielle : enjeux et outilsIntroduction à l’intelligence artificielleL’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est de présenter ces approches et ce qu’elles apportent dans la résolution de problèmes considérés comme « intelligents ». Nous sommes les auteurs de cette formation qui est maintenant dispensée par de nombreux grands instituts de formation, dont Orsys.
Deep Learning et réseaux de neurones : les fondamentauxIntroduction au Deep Learning et aux réseaux de neurones pour l’ingénieurL’objet de cette formation est d’apporter à des ingénieurs ou autres profils scientifiques ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation, et donc aux principales architectures de réseau existant aujourd’hui. Nous sommes les auteurs de cette formation qui est maintenant dispensée par de nombreux grands instituts de formation, dont Orsys.
Deep Reinforcement LearningPrésentation des bases du Reinforcement Learning et étude d'exemples d'implémentation TensorFlow ou PyTorch, puis analyse des principales avancées apparues ces dernières années : Deep Q Learning, Rainbow, Policy gradients (A3C, PPO), exploration (World models, Imagination augmented agents) jusqu'à une étude détaillé d'AlphaGo et AlphaGo Zero.
Deep Learning pour le traitement du langageLe Deep Learning a révolutionné un grand nombre d'approches concernant le langage : traduction, identification d'éléments, interprétation, systèmes de dialogue, etc. Néanmoins, ces nouvelles pratiques demandent une certaine connaissance des outils, pratiques et limites propres à cette approche. Cette formation vise à donner les clés techniques d'implémentation et d'utilisation de ces nouvelles techniques.
Deep Learning pour l'interprétation ou le traitement d'imagesUn des champs d'application privilégiés du Deep Learning est le traitement de l'image. C'est sur des problèmes de classification que ce domaine s'est révélé depuis 2012, et toutes les principales innovations d'application ou d'architecture ont été dans un premier temps dédiées à l'interprétation ou à la transformation d'images. Cette formation vise à en présenter les principales approches et, pour chacune, les algorithmes et architectures fondamentales jusqu'à une sélection d'états de l'art.
Spécialisation et veille en Deep LearningDans la lignée de notre [cours d'introduction](https://datalchemy.net/#/produit/formation-intro-ing-fr), cette formation vise à parfaire les connaissances jusqu'à arriver aux sujets de pointe qui font aujourd'hui l'innovation du Deep Learning. De l'apprentissage auto supervisé ou Bayésien aux nouvelles possibilités d'entraînement sur des données encryptées, il s'agit ici de donner les solutions existantes, les limites connues et les pistes d'avancement qui demain bouleverseront le quotidien des data-scientists ou ingénieurs travaillant sur ces sujets.
Mathématiques pour le data-scientistLa fouille de données est devenue une composante à part entière de l’activité de veille et de R&D. Cependant, comprendre les enjeux et l’avancement de l’état de l’art dans le domaine nécessite un bagage mathématique. Résolument centrée sur le nécessaire, cette formation vise l’acquisition des bases théoriques requises pour comprendre et appliquer les avancées récentes en apprentissage automatique.
Python pour le Deep LearningPython s’est imposé comme le langage de référence en apprentissage automatique en général, et en deep learning en particulier. Centrée sur l’exemple et non sur la théorie, cette formation vise la montée en compétence dans ce langage en général, et en particulier dans les deux principaux frameworks de deep learning: TensorFlow et PyTorch.
Keras & TensorflowAprès avoir bouleversé de nombreux domaines scientifiques, l’intelligence artificielle s’installe dans l’industrie. Elle est portée en pratique par des frameworks Python dont font partie Tensorflow/Keras, solidement établis dans les applications industrielles du deep learning. Par l’exemple, les participants sont amenés à comprendre les concepts clés de ces technologies et les évolutions de la v2.
PyTorchAprès avoir bouleversé de nombreux domaines scientifiques, l’intelligence artificielle s’installe dans l’industrie. Elle est portée en pratique par des frameworks Python dont fait partie PyTorch, désormais leader en deep learning. Par l’exemple, les participants sont amenés à comprendre les concepts clés de ces technologies et les dernières évolutions.
Deep Learning et traitement du sonAvec le succès d’assistants vocaux du type Alexa/Siri/Google, le deep learning a fait rentrer le traitement du son et de la parole dans le quotidien du grand public. Cette formation vise à présenter les principaux problèmes rencontrés en traitement du son et pour chacun à décrire les architectures profondes atteignant l’état de l’art. Les sujets abordés sont la reconnaissance de la parole, le débruitage, la classification, le tagging audio et la séparation de l’audio (parole & musique)
Du Big Data vers l'IADepuis quelques années, des budgets énormes sont débloqués dans toutes les grandes - et moins grandes - entreprises de France pour prendre le virage "Big Data". Nous proposons ici une formation d'introduction généraliste au domaine, en une journée. Après une introduction et des définitions essentielles, nous balaierons les problématiques et contraintes afférentes aux données, la manière de les résoudre, et les outils permettant de mener à bien ce type de projets. Un accent particulier sera mis sur les façons de reconnaître les contextes où des projets "Big Data" sont pertinents, et ceux où ils ne le sont pas. Nous nous appuyons tout au long de cette formation sur des échanges et des exemples pratiques, pour amener nos stagiaires à projeter leurs propres problématiques et contraintes métier sur le domaine.
Infrastructure & noSQLCette formation vise à présenter aux stagiaires les concepts et principes fondamentaux de noSQL, ainsi que des applications à MongoDB sur des exemples simples. Nous présentons ensuite Hadoop et Apache Cassandra, en détail, et en s'appuyant sur des exemples. Pour s'assurer que les concepts sont bien acquis par les stagiaires, la dernière demie-journée sera passée à implémenter collectivement une architecture Hadoop/Cassandra.
ElasticsearchElasticsearch est un moteur de recherche et d'indexation de données distribué et open source en temps réel, qui propose des fonctionnalités de recherche et d'analyse innovantes. Ce stage vous apprendra les principes fondamentaux d'Elasticsearch, les concepts à maîtriser en termes de flux de données, et les concepts techniques permettant de passer de la théorie à la pratique. La dernière demie-journée est consacrée à la mise en place concrète d'une architecture ELK sur un cas de test décidé collectivement, avec implémentation d'exemples de fouille textuelle et de recherche de données.