Formation Machine Learning en Québec

Cette formation en direct avec instructeur à Québec (en ligne ou sur site) s'adresse aux professionnels débutants qui souhaitent comprendre le concept des modèles pré-entraînés et apprendre à les appliquer pour résoudre des problèmes du monde réel sans avoir à construire des modèles à partir de zéro.

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

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

Cette formation en Québec (en ligne ou sur site) s'adresse aux participants ayant différents niveaux d'expertise et souhaitant tirer parti de la plateforme Google AutoML pour créer des chatbots personnalisés pour diverses applications.

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

• Comprendre les principes fondamentaux du développement d'un chatbot.
• Naviguer sur la Google Cloud Platform et accéder à AutoML.
• Préparer les données pour l'entraînement des modèles de chatbot.
• Former et évaluer des modèles de chatbot personnalisés en utilisant AutoML.
• Déployer et intégrer les chatbots dans différentes plateformes et canaux.
• Contrôler et optimiser les performances des chatbots au fil du temps.

Cette formation en direct (en ligne ou sur place) dirigée par un formateur s'adresse aux développeurs d'intelligence artificielle (IA) intermédiaires, ingénieurs en apprentissage automatique et architectes de systèmes qui souhaitent optimiser les modèles IA pour le déploiement sur des dispositifs edge.

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

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

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs de niveau intermédiaire, aux scientifiques des données et aux passionnés de technologie qui souhaitent acquérir des compétences pratiques pour déployer des modèles d'IA sur des dispositifs edge dans diverses applications.

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

• Comprendre les principes de l'IA en périphérie et ses avantages.
• Configurer et installer l'environnement de calcul en périphérie.
• Développer, entraîner et optimiser des modèles d'IA pour un déploiement edge.
• Implémenter des solutions pratiques d'IA sur les dispositifs en périphérie.
• Évaluer et améliorer la performance des modèles déployés en périphérie.
• Aborder les considérations éthiques et de sécurité dans les applications d'IA edge.

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

Cette formation dirigée par un formateur (en ligne ou sur site) est destinée aux professionnels de niveau débutant à intermédiaire qui souhaitent créer des flux de travail fiables en utilisant Kubeflow.

À la fin de cette formation, les participants acquerront les compétences nécessaires pour :

• Naviguer dans l'écosystème Kubeflow et ses composants principaux.
• Créer des flux de travail reproductibles avec Kubeflow Pipelines.
• Exécuter des tâches d'entraînement évolutives sur Kubernetes.
• Déployer efficacement des modèles d'apprentissage automatique en utilisant Kubeflow Serving.

Format de la Formation

• Présentations guidées et discussions collaboratives.
• Laboratoires pratiques avec des composants Kubeflow réels.
• Exercices pratiques pour créer des flux de travail d'apprentissage automatique complets.

Options de Personnalisation de la Formation

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

Cette formation en direct, dirigée par un formateur, à Québec (en ligne ou sur site) s'adresse aux professionnels de niveau avancé souhaitant maîtriser les technologies sous-jacentes des systèmes autonomes.

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

• Concevoir et mettre en œuvre des modèles 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 alimentés par IA.
• Intégrer les systèmes autonomes avec les cadres existants de robotique et d'IA.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent approfondir leur connaissance des modèles d'apprentissage automatique, améliorer leurs compétences en optimisation des hyperparamètres et apprendre à déployer efficacement les modèles en utilisant Google Colab.

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

• Mettre en œuvre des modèles d'apprentissage automatique avancés en utilisant des frameworks populaires comme Scikit-learn et TensorFlow.
• Optimiser les performances des modèles grâce à l'optimisation des hyperparamètres.
• Déployer des modèles d'apprentissage automatique dans des applications du monde réel en utilisant Google Colab.
• Collaborer et gérer des projets d'apprentissage automatique à grande échelle dans Google Colab.

Cette formation en direct, dirigée par un formateur (en ligne ou sur site), s'adresse aux professionnels de niveau intermédiaire qui souhaitent appliquer les techniques d'intelligence artificielle pour optimiser la gestion des rendements 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 affectant le taux de rendement.
• Mettre en œuvre des algorithmes d'intelligence artificielle pour améliorer les processus de gestion des rendements.
• Optimiser les paramètres de production pour réduire les défauts et améliorer les rendements.
• Intégrer la gestion des rendements pilotée par l'IA dans les processus de production existants.

Cette formation en direct, animée par un formateur dans Québec (en ligne ou sur place), s'adresse aux professionnels intermédiaires du secteur des affaires et de l'intelligence artificielle qui souhaitent appliquer l'apprentissage automatique aux affaires, à la prévision et aux systèmes pilotés par l'IA en utilisant des études de cas réelles et des outils basés sur Python.

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

• Comprendre comment l'apprentissage automatique s'intègre dans l'IA et la stratégie d'affaires.
• Appliquer des techniques d'apprentissage supervisé et non supervisé à des problèmes d'affaires structurés.
• Prétraiter et transformer les données pour le modélisation.
• Utiliser des réseaux de neurones pour les tâches de classification et de prédiction.
• Effectuer la prévision des ventes en utilisant des méthodes statistiques et basées sur l'apprentissage automatique.
• Mettre en œuvre le regroupement et la fouille de règles d'association pour la segmentation clients et la découverte de motifs.

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse aux professionnels avancés souhaitant appliquer des techniques d'intelligence artificielle de pointe à l'automatisation du design des semi-conducteurs, afin d'améliorer l'efficacité, la précision et l'innovation dans le design et la vérification des puces.

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

• Appliquer des techniques avancées d'intelligence artificielle pour optimiser les processus de design des semi-conducteurs.
• Intégrer des modèles d'apprentissage automatique dans les outils EDA pour une vérification de design améliorée.
• Développer des solutions pilotées par l'IA pour relever les défis complexes de fabrication des puces.
• Utiliser les réseaux neuronaux pour améliorer la précision et la vitesse de l'automatisation du design.

Cette formation en direct (en ligne ou sur site) est destinée aux professionnels de niveau intermédiaire qui souhaitent comprendre et appliquer des techniques d'intelligence artificielle pour optimiser les processus de fabrication de semi-conducteurs.

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

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

Cette formation dirigée par un instructeur, en ligne ou sur site à Québec, est destinée aux participants de niveau intermédiaire qui souhaitent automatiser et gérer des workflows d'apprentissage automatique, y compris l'entraînement, la validation et le déploiement de modèles, en utilisant Apache Airflow.

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

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

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux data scientists et développeurs de niveau intermédiaire qui souhaitent appliquer efficacement des algorithmes de machine learning en utilisant l'environnement Google Colab.

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

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

Cette formation dirigée par un instructeur, en ligne ou sur site à Québec, est destinée aux scientifiques des données et développeurs qui souhaitent 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 la fin de cette formation, les participants seront capables de :

• Installer ML.NET et l'intégrer dans leur 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 intelligentes avec les données fournies.
• Évaluer la performance d'un modèle d'apprentissage automatique en utilisant les métriques ML.NET.
• Optimiser la précision des modèles d'apprentissage automatique existants basés sur le framework ML.NET.
• Appliquer les concepts d'apprentissage automatique de ML.NET à d'autres applications en science des données.

Cette formation dirigée par un instructeur, en ligne ou sur site à Québec, est destinée aux professionnels des données de niveau intermédiaire qui souhaitent appliquer des techniques d'apprentissage automatique à des problèmes d'entreprise basés sur les données, notamment la prévision des ventes et le modèle prédictif à l'aide de réseaux neuronaux.

À la fin 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 d'association.
• Effectuer une analyse exploratoire des données et une préparation de données à l'aide de Python.
• Utiliser des réseaux neuronaux pour des tâches de modélisation non linéaire.
• Mettre en œuvre des analyses prédictives pour la prévision d'entreprise, y compris les données de vente.
• Évaluer et optimiser les performances du modèle à l'aide de techniques visuelles et statistiques.

Cette formation en direct avec instructeur en Québec (en ligne ou sur site) s'adresse aux data scientists de niveau intermédiaire à avancé, aux ingénieurs en apprentissage automatique, aux chercheurs en apprentissage profond et aux experts en vision par ordinateur qui souhaitent élargir leurs connaissances et leurs compétences en apprentissage profond pour la génération de texte à image.

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

• Comprendre les architectures et les techniques avancées d'apprentissage profond pour la génération texte-image.
• Mettre en œuvre des modèles complexes et des optimisations pour la synthèse d'images de haute qualité.
• Optimiser les performances et l'évolutivité pour les grands ensembles de données et les modèles complexes.
• Ajuster les hyperparamètres pour une meilleure performance et généralisation du modèle.
• Intégrer Stable Diffusion avec d'autres cadres et outils d'apprentissage profond.

Cette formation en direct, dirigée par un formateur, à Québec (en ligne ou sur site) s'adresse aux professionnels de la cybersécurité de niveau intermédiaire et avancé qui souhaitent perfectionner leurs compétences dans la détection des menaces et la réponse aux incidents pilotées par l'intelligence artificielle.

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

• Mettre en œuvre des algorithmes avancés d'IA pour la détection en temps réel des menaces.
• Personnaliser les modèles IA pour répondre à des défis spécifiques de cybersécurité.
• Développer des flux de travail automatisés pour la réponse aux menaces.
• Protéger les outils de sécurité pilotés par l'IA contre les attaques adverses.

Cette formation en direct (en ligne ou sur site) est destinée aux professionnels débutants en cybersécurité qui souhaitent apprendre à utiliser l'IA pour améliorer la détection et la réponse aux menaces.

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

• Comprendre les applications de l'IA en cybersécurité.
• Mettre en œuvre 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 de cybersécurité existantes.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux participants techniques ayant une expérience en apprentissage automatique et souhaitant optimiser des modèles pour détecter des motifs complexes dans les grands ensembles de données à l'aide de frameworks AutoML.

Cette formation en direct avec instructeur à Québec (en ligne ou sur site) est destinée 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 les prévisions de séries temporelles.

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

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

L'objectif de ce cours est de fournir une compétence de base dans l'application Machine Learning des méthodes en pratique. Grâce à l'utilisation du langage de programmation Python et ses différentes bibliothèques, et sur la base d'une multitude d'exemples pratiques, ce cours enseigne comment utiliser les blocs de construction les plus importants Machine Learning, comment prendre des décisions de modélisation des données, interpréter les résultats des algorithmes et valider les résultats.

Notre objectif est de vous donner les compétences pour comprendre et utiliser les outils les plus fondamentaux de la boîte d'outils Machine Learning avec confiance et éviter les tombes communes des applications Data Science.

le but de ce cours est de fournir une compétence générale dans l’application des méthodes de machine learning dans la pratique. Grâce à l’utilisation du langage de programmation Python et de ses différentes bibliothèques, et basé sur une multitude d’exemples pratiques, ce cours enseigne comment utiliser les principaux éléments constitutifs de machine learning, comment faire des décisions de modélisation de données, interpréter les les sorties des algorithmes et valider les résultats.

notre objectif est de vous donner les compétences pour comprendre et utiliser les outils les plus fondamentaux de la boîte à outils machine learning en toute confiance et d’éviter les pièges communs des applications Data sciences.

Cette formation dirigée par un instructeur, en ligne ou sur site à Québec, est destinée aux scientifiques des données et aux ingénieurs logiciels qui souhaitent utiliser AdaBoost pour créer des algorithmes de boosting pour l'apprentissage automatique avec Python.

À la fin 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 de l'apprentissage par ensemble et comment implémenter le boosting adaptatif.
• Apprendre à construire des modèles AdaBoost pour améliorer les algorithmes d'apprentissage automatique en Python.
• Utiliser l'ajustement des hyperparamètres pour augmenter la précision et les performances des modèles AdaBoost.

Ce programme de 8 jours offre un parcours complet, de solides fondements en génie Python à la conception avancée de systèmes d'IA. Les participants développent des pratiques de codage disciplinées, maîtrisent les méthodes statistiques et d'apprentissage profond, et construisent des systèmes d'IA génératifs et basés sur des agents prêts pour la production. L'accent est mis sur la fiabilité, l'évaluation, la sécurité et le déploiement dans le monde réel, plutôt que sur l'expérimentation seule.

Cette formation en Québec (en ligne ou sur site) s'adresse aux data scientists ainsi qu'aux personnes moins techniques qui souhaitent utiliser Auto-Keras pour automatiser le processus de sélection et d'optimisation d'un modèle d'apprentissage automatique.

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

• Automatiser le processus de formation de modèles d'apprentissage automatique hautement efficaces.
• Rechercher automatiquement les meilleurs paramètres pour les modèles d'apprentissage profond.
• Construire des modèles d'apprentissage automatique très précis.
• Utiliser la puissance de l'apprentissage automatique pour résoudre des problèmes professionnels réels.

Ce cours sera une combinaison de théorie et de travaux pratiques avec des exemples spécifiques utilisés tout au long de l'événement.

Cette formation dirigée par un instructeur (en ligne ou sur site) fournit une introduction au domaine de la reconnaissance de formes et de l'apprentissage automatique. Elle aborde des applications pratiques dans les domaines de la statistique, de l'informatique, du traitement du signal, de la vision par ordinateur, de l'exploration de données et de la bio-informatique.

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

• Appliquer des méthodes statistiques fondamentales à la reconnaissance de formes.
• Utiliser des modèles clés comme les réseaux de neurones et les méthodes à noyau pour l'analyse des données.
• Mettre en œuvre des techniques avancées pour résoudre des problèmes complexes.
• Améliorer la précision des prédictions en combinant différents modèles.

Cette formation en direct avec instructeur en Québec (en ligne ou sur site) s'adresse aux scientifiques et analystes de données qui souhaitent automatiser, évaluer et gérer des modèles prédictifs en utilisant les capacités d'apprentissage automatique de DataRobot.

A 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 former des modèles pour identifier les variables importantes et atteindre les objectifs de prédiction.
• Interpréter les modèles pour créer des informations utiles à la prise de décision.
• Contrôler et gérer les modèles pour maintenir une performance de prédiction optimisée.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent appliquer des techniques d'ingénierie des caractéristiques pour mieux traiter les données et obtenir de meilleurs modèles d'apprentissage automatique.

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

• Configurer un environnement de développement optimal, y compris toutes les bibliothèques Python nécessaires.
• Obtenir des insights importants en analysant les caractéristiques d'un jeu de données.
• Optimiser les modèles d'apprentissage automatique grâce à l'adaptation des données brutes.
• Nettoyer et transformer des jeux de données en préparation pour l'apprentissage automatique.

L'apprentissage automatique est une branche de l'Intelligence Artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés.

L'apprentissage profond 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 connu pour sa syntaxe claire et la lisibilité de son code.

Dans cette formation dirigée par un instructeur, les participants apprendront à mettre en œuvre des modèles d'apprentissage profond pour le secteur des télécommunications en utilisant Python tout au long de la création d'un modèle de risque de crédit basé sur l'apprentissage profond.

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

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

Format du cours

• Conférence interactive et discussion.
• Nombreux exercices et pratiques.
• Mise en œuvre pratique dans un environnement de laboratoire live.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.

Cette formation en direct avec instructeur en Québec (en ligne ou sur site) s'adresse aux data scientists, aux analystes de données et aux développeurs qui souhaitent explorer les produits et les fonctionnalités de AutoML pour créer et déployer des modèles d'entraînement ML personnalisés avec un minimum d'effort.

A l'issue 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 pour créer des modèles ML personnalisés.
• Former et gérer des modèles pour produire des modèles d'apprentissage automatique précis et équitables.
• Faire des prédictions à l'aide des modèles formés pour répondre aux objectifs et aux besoins de l'entreprise.

Cette formation pratique, animée par un formateur, s'inscrit comme une suite naturelle au cours Python pour l'analyse de données.

Elle présente aux participants les 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 solides connaissances mathématiques avancées.

Ce cours est destiné aux personnes qui ont déjà une expérience en science des données et en statistiques. Les explications fournies sont conçues pour servir de rappel à ceux qui sont déjà familiarisés avec les concepts ou pour informer ceux qui ont un bagage approprié.

Cette formation en direct avec instructeur en Québec (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

À l'issue 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).
• Construire, déployer et gérer des flux de travail de ML basés sur des conteneurs Docker et Kubernetes.
• Exécuter des pipelines d'apprentissage automatique complets sur diverses architectures et environnements en nuage.
• Utiliser Kubeflow pour créer et gérer des carnets Jupyter.
• Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée 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 capables de :

• Installer et configurer Kubernetes, Kubeflow et tout autre logiciel nécessaire 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 ML en production.
• Former et déployer des modèles ML TensorFlow sur plusieurs GPU et machines fonctionnant en parallèle.
• Utiliser d'autres services gérés AWS pour étendre une application ML.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux ingénieurs souhaitant déployer des charges de travail d'apprentissage automatique dans le cloud Azure.

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

• Installer et configurer Kubernetes, Kubeflow et tout autre logiciel nécessaire sur Azure.
• Utiliser Azure Kubernetes Service (AKS) pour simplifier l'initialisation d'un cluster Kubernetes sur Azure.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Former et déployer des modèles ML TensorFlow sur plusieurs GPU et machines exécutées en parallèle.
• Exploiter d'autres services managés AWS pour étendre une application ML.

Cette formation en direct avec instructeur en Québec (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

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

• Installer et configurer Kubeflow sur site et dans le cloud.
• Construire, déployer et gérer des flux de travail d'apprentissage automatique basés sur les conteneurs Docker et Kubernetes.
• Exécuter des pipelines d'apprentissage machine complets sur diverses architectures et environnements cloud.
• Utiliser Kubeflow pour créer et gérer des carnets Jupyter.
• Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.

Machine Learning est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés. Le Python est un langage de programmation réputé pour sa syntaxe claire et sa lisibilité. Il offre une excellente collection de bibliothèques et de techniques éprouvées pour développer des applications d'apprentissage automatique.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront à appliquer des techniques et des outils d'apprentissage automatique pour résoudre des problèmes concrets dans le secteur bancaire.

Les participants apprennent d'abord les principes clés, puis mettent leurs connaissances en pratique en construisant leurs propres modèles d'apprentissage automatique et en les utilisant pour réaliser un certain nombre de projets d'équipe.

Public

• Développeurs
• Scientifiques des données

Format du cours

• Une partie de cours, une partie de discussion, des exercices et une grande partie de pratique.

Cette formation en direct avec instructeur en <loc&gt ; (en ligne ou sur site) est destinée aux personnes techniques qui souhaitent apprendre à mettre en œuvre une stratégie d'apprentissage automatique tout en maximisant l'utilisation des données massives (big data).

A l'issue de cette formation, les participants pourront :

• Comprendre l'évolution et les tendances de l'apprentissage automatique.
• Savoir comment l'apprentissage automatique est utilisé dans différents secteurs d'activité.
• Se familiariser avec les outils, les compétences et les services disponibles pour mettre en œuvre l'apprentissage automatique au sein d'une organisation.
• Comprendre comment l'apprentissage automatique peut être utilisé pour améliorer l'exploration et l'analyse des données.
• Apprendre ce qu'est un backend de milieu de données et comment il est utilisé par les entreprises.
• Comprendre le rôle que jouent les big data et les applications intelligentes dans tous les secteurs d'activité.

Ce cours de formation est destiné aux personnes qui souhaitent appliquer l'apprentissage automatique dans des applications pratiques pour leur équipe. Le cours ne s'attardera pas sur les détails techniques et se concentrera plutôt sur les concepts de base et les applications opérationnelles et commerciales.

Public cible

1. Investisseurs et entrepreneurs en IA
2. Chefs de projet et ingénieurs dont l'entreprise s'oriente vers l'IA
3. Analistes d'affaires et investisseurs

L'apprentissage automatique est une branche de l'intelligence artificielle dans laquelle les ordinateurs ont la capacité d'apprendre sans être explicitement programmés. Le langage de programmation Python est réputé pour sa syntaxe claire et sa lisibilité. Il offre une excellente collection de bibliothèques et de techniques éprouvées pour développer des applications d'apprentissage automatique.

Dans cette formation en direct dirigée par un instructeur, les participants apprendront à appliquer des techniques et des outils d'apprentissage automatique pour résoudre des problèmes réels dans le secteur de la finance.

Les participants apprennent d'abord les principes clés, puis mettent leurs connaissances en pratique en construisant leurs propres modèles d'apprentissage automatique et en les utilisant pour réaliser un certain nombre de projets d'équipe.

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

• Comprendre les concepts fondamentaux de l'apprentissage automatique
• Apprendre les applications et les utilisations de l'apprentissage automatique en finance
• Développer leur propre stratégie de trading algorithmique en utilisant l'apprentissage automatique avec Python

Audience

• Développeurs
• Scientifiques des données

Format du cours

• En partie cours magistral, en partie discussion, exercices et pratique intensive.

Cette formation en direct (en ligne ou sur site) est destinée aux data scientists qui souhaitent aller au-delà de la construction de modèles ML et optimiser le processus de création, de suivi et de déploiement des modèles ML.

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

• Installer et configurer MLflow et les bibliothèques et frameworks ML associés.
• Apprécier l'importance de la traçabilité, de la reproductibilité et de la déployabilité d'un modèle ML
• Déployer des modèles de ML sur différents clouds publics, plateformes ou serveurs sur site.
• Mettre à l'échelle le processus de déploiement du ML afin d'accommoder plusieurs utilisateurs collaborant à un projet.
• Mettre en place un registre central pour expérimenter, reproduire et déployer des modèles de ML.

Ce cours de formation est destiné aux personnes souhaitant appliquer des techniques de Machine Learning de base dans des applications pratiques.

Public cible

Data scientists et statisticiens ayant une certaine familiarité avec le machine learning et sachant programmer en R. L'accent est mis sur les aspects pratiques de la préparation des données/modèles, de l'exécution, de l'analyse post hoc et de la visualisation. Le but est de donner une introduction pratique au machine learning aux participants intéressés à appliquer ces méthodes dans leur travail.

Des exemples spécifiques à chaque secteur sont utilisés pour rendre la formation pertinente pour le public cible.

Dans cette formation en direct dirigée par un instructeur, les participants apprendront à utiliser la pile technologique iOS Machine Learning (ML) en créant et en déployant une application mobile iOS.

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

• Créer une application mobile capable de traiter des images, d'analyser du texte et de reconnaître la parole.
• Utiliser des modèles ML pré-entraînés Access pour l'intégration dans les applications iOS.
• Créer un modèle ML personnalisé
• Ajouter la prise en charge de la voix Siri aux applications iOS.
• Comprendre et utiliser des frameworks tels que coreML, Vision, CoreGraphics et GamePlayKit
• Utiliser des langages et des outils tels que Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda et Spyder.

Public

• Développeurs

Format du cours

• En partie cours magistral, en partie discussion, exercices et pratique intensive.

Cette formation dirigée par un instructeur, en ligne ou sur site, est destinée aux développeurs qui souhaitent utiliser Google’s ML Kit pour créer des modèles d'apprentissage automatique optimisés pour le traitement sur les appareils mobiles.

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

• Définir 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 les applications Android et iOS en utilisant les API ML Kit. 
• Améliorer et optimiser les applications existantes en utilisant le SDK ML Kit pour le traitement sur appareil et le déploiement.

Cette formation en direct, animée par un formateur dans Québec (en ligne ou sur site), s'adresse aux professionnels intermédiaires, tant commerciaux que techniques, qui souhaitent appliquer les techniques d'apprentissage automatique pour résoudre des défis commerciaux concrets à l'aide de cas pratiques et d'outils manuels.

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

• Comprendre comment l'apprentissage automatique s'intègre aux systèmes modernes d'IA et aux stratégies commerciales.
• Identifier les méthodes d'apprentissage automatique appropriées pour différents problèmes commerciaux.
• Prétraiter et transformer les données commerciales pour des tâches d'apprentissage automatique.
• Appliquer les techniques de base de l'apprentissage automatique telles que la classification, la régression, le regroupement et la prévision de séries temporelles.
• Interpréter et évaluer les modèles d'apprentissage automatique dans le contexte de la prise de décision commerciale.
• Acquérir une expérience pratique à travers des études de cas et appliquer les techniques apprises à des scénarios concrets.

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

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

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

Cette formation en direct, animée par un formateur (en ligne ou sur site) s'adresse aux analystes de données intermédiaires, développeurs ou futurs scientifiques des données qui souhaitent appliquer les techniques d'apprentissage automatique dans Python pour extraire des insights, faire des prédictions et automatiser les décisions basées sur les données.

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

• Comprendre et différencier les principaux paradigmes d'apprentissage automatique.
• Explorer les techniques de prétraitement des données et les métriques d'évaluation des modèles.
• Appliquer des algorithmes d'apprentissage automatique pour résoudre des problèmes de données du monde réel.
• Utiliser les bibliothèques Python et les carnets Jupyter pour le développement pratique.
• Construire des modèles pour la prédiction, la classification, la recommandation et le regroupement.

Pattern Matching est une technique utilisée pour localiser des motifs spécifiques dans une image. Elle peut être utilisée pour déterminer l'existence de caractéristiques spécifiques dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux dans une chaîne de production ou les dimensions spécifiées d'un composant. Elle diffère de la technique "Pattern Recognition" (qui reconnaît des modèles généraux basés sur des collections plus vastes d'échantillons apparentés) en ce sens qu'elle dicte spécifiquement ce que nous recherchons, puis nous indique si le modèle attendu existe ou non.

Format du cours

• Ce cours présente les approches, les technologies et les algorithmes utilisés dans le domaine de la recherche de motifs, tels qu'ils s'appliquent à Machine Vision.

Cette formation dirigée par un instructeur, en ligne ou sur site à Québec, est destinée aux data scientists et ingénieurs logiciels qui souhaitent utiliser Random Forest pour construire des algorithmes d'apprentissage automatique pour de grands ensembles de données.

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

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

RapidMiner est une plateforme logicielle open source de science des données pour le prototypage et le développement rapides d'applications. Elle comprend un environnement intégré pour la préparation des données, l'apprentissage automatique, l'apprentissage profond, l'exploration de texte et l'analyse prédictive.

Au cours de cette formation, les participants apprendront à utiliser RapidMiner Studio pour la préparation des données, l'apprentissage automatique et le déploiement de modèles prédictifs.

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

• Installer et configurer RapidMiner Studio
• Préparer et visualiser les données avec RapidMiner.
• Valider les modèles d'apprentissage automatique
• Mashup de données et créer des modèles prédictifs
• Opérationnaliser l'analyse prédictive au sein d'un processus métier
• Dépanner et optimiser RapidMiner

Public

• Scientifiques des données
• Ingénieurs
• Développeurs

Format du cours

• En partie conférence, en partie discussion, exercices et pratique intensive.

Remarque

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