Formation Maîtrise de l'ingénierie IA : De l'ingénierie Python à des systèmes IA prêts pour la production

Cette formation en direct, dirigée par un instructeur, à Canada (en ligne ou sur site), s'adresse aux data scientists et aux ingénieurs logiciels souhaitant utiliser AdaBoost pour concevoir des algorithmes de boosting pour l'apprentissage automatique avec Python.

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

• Configurer l'environnement de développement nécessaire pour commencer à construire des modèles d'apprentissage automatique avec AdaBoost.
• Comprendre l'approche par apprentissage ensembliste et savoir comment mettre en œuvre le boosting adaptatif.
• Apprendre à construire des modèles AdaBoost pour améliorer les algorithmes d'apprentissage automatique en Python.
• Utiliser le réglage des hyperparamètres pour accroître la précision et les performances des modèles AdaBoost.

Cette formation en présentiel (en ligne ou sur site) est destinée à des participants techniques ayant des antécédents en apprentissage automatique qui souhaitent optimiser des modèles pour détecter des motifs complexes dans les mégadonnées à l'aide de frameworks AutoML.

Cette formation en présentiel ou en ligne, encadrée par un instructeur, à Canada s'adresse aux participants ayant divers niveaux d'expertise souhaitant exploiter la plateforme AutoML de Google pour créer des chatbots personnalisés pour diverses applications.

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

• Comprendre les fondamentaux du développement de chatbots.
• Navigation dans la Plateforme Google Cloud et accès à AutoML.
• Préparer les données pour l'entraînement des modèles de chatbots.
• Entraîner et évaluer des modèles de chatbots personnalisés à l'aide d'AutoML.
• Déployer et intégrer des chatbots sur différentes plateformes et canaux.
• Surveiller et optimiser les performances des chatbots au fil du temps.

Ce cours en direct, animé par un formateur à Canada (en ligne ou en présentiel), offre une introduction au domaine de la reconnaissance de motifs et de l'apprentissage automatique. Il aborde des applications pratiques en statistiques, en informatique, en traitement du signal, en vision par ordinateur, en fouille de données et en bio-informatique.

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

• Appliquer les méthodes statistiques fondamentales à la reconnaissance de motifs.
• Utiliser des modèles clés tels que les réseaux neuronaux et les méthodes noyau pour l'analyse de données.
• Mettre en œuvre des techniques avancées pour résoudre des problèmes complexes.
• Améliorer la précision des prévisions en combinant différents modèles.

Cette formation en présentiel ou à distance, animée par un formateur à Canada, s'adresse aux data scientists et aux analystes de données souhaitant automatiser, évaluer et gérer des modèles prédictifs grâce aux capacités d'apprentissage automatique de DataRobot.

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

• Charger des jeux de données dans DataRobot pour analyser, évaluer et contrôler la qualité des données.
• Construire et entraîner des modèles afin d'identifier les variables importantes et atteindre les objectifs de prédiction.
• Interpréter les modèles pour générer des informations exploitables utiles à la prise de décisions commerciales.
• Surveiller et gérer les modèles afin de maintenir des performances de prédiction optimisées.

Cette formation en direct, dispensée par un formateur, est organisée à Canada (en ligne ou sur site) et s'adresse aux scientifiques des données, aux analystes de données et aux développeurs qui souhaitent 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 implémenter différents services pour divers types de données.
• Préparer et étiqueter des ensembles de données pour créer des modèles ML personnalisés.
• Entraîner et gérer des modèles afin de produire des modèles d'apprentissage automatique précis et équitables.
• Effectuer des prédictions à l'aide de modèles entraînés pour répondre aux objectifs et aux besoins commerciaux.

Cette formation en direct, dirigée par un formateur à Canada (en ligne ou en présentiel), s'adresse aux développeurs et aux scientifiques des données qui souhaitent créer, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

À la fin de cette formation, les participants seront en mesure de :

• Installer et configurer Kubeflow sur site et dans le cloud en utilisant AWS EKS (Elastic Kubernetes Service).
• Créer, déployer et gérer des flux de travail ML basés sur des conteneurs Docker et Kubernetes.
• Exécuter des pipelines complets d'apprentissage automatique sur diverses architectures et environnements cloud.
• Utiliser Kubeflow pour créer et gérer des notebooks Jupyter.
• Développer des charges de travail pour l'entraînement ML, l'ajustement des hyperparamètres et le déploiement sur plusieurs plateformes.

Cette formation en direct animée par un formateur en <lieu> (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent déployer des charges de travail d'apprentissage automatique sur un serveur AWS EC2.

À la fin de cette formation, les participants seront en mesure de :

• Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur AWS.
• Utiliser EKS (Elastic Kubernetes Service) pour simplifier l'initialisation d'un cluster Kubernetes sur AWS.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles de ML en production.
• Former et déployer des modèles de ML TensorFlow sur plusieurs GPU et machines fonctionnant en parallèle.
• Exploiter d'autres services gérés par AWS pour étendre une application de ML.

Kubeflow est une plateforme open source conçue pour simplifier la création, l'entraînement et le déploiement de charges de travail d'apprentissage automatique (ML) sur Kubernetes.

Cette formation en direct, animée par un instructeur (en ligne ou sur site), s'adresse aux professionnels de niveau débutant à intermédiaire souhaitant concevoir des workflows ML fiables à l'aide de Kubeflow.

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

• Naviguer dans l'écosystème de Kubeflow et comprendre ses composants principaux.
• Créer des workflows reproductibles avec Kubeflow Pipelines.
• Exécuter des travaux d'entraînement évolutifs sur Kubernetes.
• Déployer efficacement des modèles d'apprentissage automatique à l'aide de Kubeflow Serving.

Format de la formation

• Présentations guidées et discussions collaboratives.
• Travaux pratiques avec des composants réels de Kubeflow.
• Exercices concrets pour construire des workflows ML de bout en bout.

Options de personnalisation de la formation

• Des versions personnalisées de cette formation peuvent être organisées pour s'aligner sur la pile technologique de votre équipe et les exigences de vos projets.

Cette formation en présentiel ou en ligne, animée par un formateur, s'adresse aux développeurs et aux scientifiques des données souhaitant créer, déployer et gérer des workflows de machine learning sur Kubernetes.

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

• Installer et configurer Kubeflow sur site et dans le cloud.
• Construire, déployer et gérer des workflows de ML basés sur des conteneurs Docker et Kubernetes.
• Exécuter l'ensemble des pipelines d'apprentissage machine sur diverses architectures et environnements cloud.
• Utiliser Kubeflow pour créer et gérer des notebooks Jupyter.
• Construire des charges de travail pour l'entraînement ML, le réglage des hyperparamètres et la mise en production, en les déployant sur plusieurs plateformes.

Cette formation en présentiel (en ligne ou sur site) est destinée aux scientifiques des données souhaitant dépasser la simple création de modèles ML et optimiser le processus de création, de suivi et de déploiement des modèles.

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

• Installer et configurer MLflow ainsi que les bibliothèques et cadres de travail ML associés.
• Comprendre l'importance de la traçabilité, de la reproductibilité et de la déployabilité d'un modèle ML.
• Déployer des modèles ML sur différents nuages publics, plateformes ou serveurs sur site.
• Mettre à l'échelle le processus de déploiement ML pour accommoder plusieurs utilisateurs collaborant à un projet.
• Mettre en place un registre centralisé pour expérimenter, reproduire et déployer des modèles ML.

Cette formation en présentiel (en ligne ou sur site) est destinée aux développeurs souhaitant utiliser le kit ML de Google pour créer des modèles d'apprentissage automatique optimisés pour le traitement sur des appareils mobiles.

À la fin de cette formation, les participants seront en mesure de :

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

La correspondance de formes est une technique utilisée pour localiser des motifs spécifiques dans une image. Elle permet de déterminer l'existence de caractéristiques précises dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux sur une ligne de production industrielle ou les dimensions spécifiées d'un composant. Elle se distingue de la « reconnaissance de formes » (qui identifie des motifs généraux à partir de grands ensembles d'échantillons connexes) car elle spécifie précisément ce que nous cherchons, puis indique si le motif attendu est présent ou non.

Format du cours

• Ce cours présente les approches, les technologies et les algorithmes utilisés dans le domaine de la correspondance de formes dans le contexte de la vision par machine.

Cette formation en présentiel, animée par un formateur en Canada (en ligne ou sur site), s'adresse aux scientifiques des données et aux ingénieurs logiciels qui souhaitent utiliser Random Forest pour concevoir des algorithmes d'apprentissage automatique sur de grands ensembles de données.

À la fin 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.

Cette formation en présentiel ou à distance, dirigée par un instructeur à Canada, s'adresse aux analystes de données de niveau intermédiaire qui souhaitent apprendre à utiliser RapidMiner pour estimer et projeter des valeurs et utiliser des outils analytiques pour la prévision de séries chronologiques.

À la fin de cette formation, les participants seront en mesure de :

• Apprendre à appliquer la méthodologie CRISP-DM, à sélectionner des algorithmes d'apprentissage automatique appropriés et à améliorer la construction et les performances des modèles.
• Utiliser RapidMiner pour estimer et projeter des valeurs, et exploiter des outils analytiques pour la prévision de séries chronologiques.