Formation Machine Learning en Ville de Québec

Cette formation en direct avec instructeur à Ville de 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 direct avec instructeur en Ville de Québec (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent renforcer leurs connaissances des modèles d'apprentissage automatique, améliorer leurs compétences en matière de réglage des hyperparamètres et apprendre à déployer efficacement des modèles en utilisant Google Colab.

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

• Implémenter des modèles avancés d'apprentissage automatique en utilisant des frameworks populaires comme 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 Ville de 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 avec instructeur à Ville de Québec (en ligne ou sur site) est destinée aux développeurs d'IA de niveau intermédiaire, aux ingénieurs en apprentissage automatique et aux architectes de système qui souhaitent optimiser les modèles d'IA pour le déploiement en périphérie.

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 périphériques.
• 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 périphérique.
• Mettre en œuvre des techniques d'élagage et d'autres techniques d'optimisation pour améliorer les performances des modèles.
• Déployer des modèles d'IA optimisés sur divers appareils périphériques.

Cette formation en direct avec instructeur en Ville de Québec (en ligne ou sur place) s'adresse aux développeurs de niveau intermédiaire, aux scientifiques des données et aux passionnés de technologie qui souhaitent acquérir des compétences pratiques dans le déploiement de modèles d'IA sur des appareils périphériques pour diverses applications.

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

• Comprendre les principes de l'Edge AI et ses avantages.
• Mettre en place et configurer l'environnement informatique périphérique.
• Développer, former et optimiser des modèles d'IA pour le déploiement en périphérie.
• Mettre en œuvre des solutions pratiques d'IA sur des appareils périphériques.
• Évaluer et améliorer les performances des modèles déployés en périphérie.
• Aborder les considérations éthiques et de sécurité dans les applications d'Edge AI.

Cette formation en direct avec instructeur en Ville de Québec (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent maîtriser les technologies qui sous-tendent les systèmes autonomes.

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

• Concevoir et mettre en œuvre 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 alimentés par l'IA.
• Intégrer les systèmes autonomes dans les cadres existants de la robotique et de l'IA.

Cette formation en direct avec instructeur en Ville de Québec (en ligne ou sur site) s'adresse aux professionnels de niveau intermédiaire qui souhaitent appliquer des techniques d'IA pour optimiser la gestion du rendement dans la fabrication de semi-conducteurs.

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

• Analyser les données de production pour identifier les facteurs affectant les taux de rendement.
• Mettre en œuvre des algorithmes d'IA pour améliorer les processus de gestion du rendement.
• Optimiser les paramètres de production pour réduire les défauts et améliorer les rendements.
• Intégrer la gestion du rendement basée sur l'IA dans les flux de production existants.

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse aux professionnels intermédiaires du secteur des affaires et de l'intelligence artificielle qui souhaitent appliquer l'apprentissage automatique dans les affaires, la prévision et les 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 la stratégie d'affaires et d'IA.
• Appliquer des techniques d'apprentissage supervisé et non supervisé à des problèmes structurés d'affaires.
• Prétraiter et transformer les données pour la modélisation.
• Utiliser des réseaux de neurones pour les tâches de classification et de prédiction.
• Réaliser des prévisions de ventes en utilisant des méthodes statistiques et basées sur l'apprentissage automatique.
• Mettre en œuvre le regroupement et la recherche de règles d'association pour la segmentation client et la découverte de modèles.

Cette formation en direct avec instructeur en Ville de Québec (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent appliquer des techniques d'IA de pointe à l'automatisation de la conception des semi-conducteurs, en améliorant l'efficacité, la précision et l'innovation dans la conception et la vérification des puces.

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

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

Cette formation en direct avec instructeur en Ville de Québec (en ligne ou sur site) s'adresse aux professionnels de niveau intermédiaire qui souhaitent comprendre et appliquer les techniques d'IA pour optimiser les processus de fabrication des semi-conducteurs.

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

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

Cette formation en Ville de Québec (en ligne ou sur site) est destinée aux participants de niveau intermédiaire qui souhaitent automatiser et gérer les flux de travail d'apprentissage automatique, y compris la formation, la validation et le déploiement des modèles à l'aide de Apache Airflow.

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

• Configurer Apache Airflow pour l'orchestration de flux de travail 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 en utilisant des pipelines automatisés.
• Contrôler et optimiser les workflows d'apprentissage automatique en production.

Cette formation en direct animée par un formateur à Ville de Québec (en ligne ou sur site) s'adresse aux professionnels intermédiaires des données qui souhaitent appliquer les techniques d'apprentissage automatique aux problèmes d'affaires basés sur les données, y compris la prévision des ventes et le modélisation prédictive à l'aide de réseaux neuronaux.

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

• Comprendre les concepts de base et les types d'apprentissage automatique.
• Appliquer des algorithmes clés pour la classification, la régression, le regroupement et l'analyse d'association.
• Réaliser une analyse exploratoire des données et préparer les données en utilisant Python.
• Utiliser des réseaux neuronaux pour les tâches de modélisation non linéaire.
• Mettre en œuvre l'analyse prédictive pour la prévision d'affaires, y compris les données de ventes.
• Évaluer et optimiser les performances du modèle à l'aide de techniques visuelles et statistiques.

Cette formation en direct avec instructeur en Ville de 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 avec instructeur en Ville de Québec (en ligne ou sur site) s'adresse aux professionnels de la cybersécurité de niveau intermédiaire à avancé qui souhaitent élever leurs compétences en matière de détection des menaces et de réponse aux incidents pilotées par l'IA.

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

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

Cette formation en Ville de Québec (en ligne ou sur site) s'adresse aux data scientists et aux développeurs de niveau intermédiaire qui souhaitent appliquer efficacement des algorithmes d'apprentissage automatique en utilisant l'environnement Google Colab.

A 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 différents algorithmes d'apprentissage automatique.
• Utiliser des bibliothèques comme Scikit-learn pour analyser et prédire des données.
• Mettre en œuvre des modèles d'apprentissage supervisés et non supervisés.
• Optimiser et évaluer efficacement les modèles d'apprentissage automatique.

Cette formation en direct avec instructeur à Ville de Québec (en ligne ou sur site) s'adresse aux professionnels de la cybersécurité de niveau débutant qui souhaitent apprendre à tirer parti de l'IA pour améliorer les capacités de détection et de réponse aux menaces.

A l'issue de cette formation, les participants seront en mesure 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 à l'aide d'outils d'IA.
• Intégrer l'IA dans l'infrastructure de cybersécurité existante.

Cette formation en direct avec instructeur en Ville de Québec (en ligne ou sur site) s'adresse aux analystes de données et aux data scientists de niveau débutant à intermédiaire qui souhaitent utiliser Weka pour effectuer des tâches d'exploration de données.

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

• Installer et configurer Weka.
• Comprendre l'environnement Weka et l'atelier.
• Effectuer des tâches d'exploration de données à l'aide de Weka.

Cette formation en direct avec instructeur à Ville de 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.

Cette formation en direct (en ligne ou sur site) est destinée aux scientifiques des données, aux ingénieurs en apprentissage automatique et aux chercheurs en vision par ordinateur qui souhaitent tirer parti de Stable Diffusion pour générer des images de haute qualité pour une variété de cas d'utilisation.

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

• Comprendre les principes de Stable Diffusion et son fonctionnement pour la génération d'images.
• Construire et entraîner des modèles Stable Diffusion pour des tâches de génération d'images.
• Appliquer Stable Diffusion à divers scénarios de génération d'images, tels que l'inpainting, l'outpainting et la traduction d'image à image.
• Optimiser les performances et la stabilité des modèles Stable Diffusion.

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 en Ville de Québec (en ligne ou sur site) s'adresse aux data scientists et aux ingénieurs logiciels qui souhaitent utiliser AdaBoost pour construire des algorithmes de boosting pour l'apprentissage automatique avec Python.

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

• Mettre en place l'environnement de développement nécessaire pour commencer à construire des modèles d'apprentissage automatique avec AdaBoost.
• Comprendre l'approche de l'apprentissage ensembliste et comment implémenter le boosting adaptatif.
• Apprendre à construire des modèles AdaBoost pour stimuler les algorithmes d'apprentissage automatique dans Python.
• Utiliser le réglage des hyperparamètres pour augmenter la précision et les performances des modèles AdaBoost.

Cette formation en Ville de 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.

Cette formation en direct avec instructeur à Ville de Québec (en ligne ou sur site) est destinée aux personnes techniques ayant des connaissances en apprentissage automatique qui souhaitent optimiser les modèles d'apprentissage automatique utilisés pour détecter des modèles complexes dans les données volumineuses (big data).

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

• Installer et évaluer différents outils open source AutoML (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA, etc.)
• Former des modèles d'apprentissage automatique de haute qualité.
• Résoudre efficacement différents types de problèmes d'apprentissage automatique supervisé.
• Écrire juste le code nécessaire pour lancer le processus d'apprentissage automatique.

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

This instructor-led, live training in Ville de Québec (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.

By the end of this training, participants will be able to:

• Apply core statistical methods to pattern recognition.
• Use key models like neural networks and kernel methods for data analysis.
• Implement advanced techniques for complex problem-solving.
• Improve prediction accuracy by combining different models.

Cette formation en direct avec instructeur en Ville de 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 en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent appliquer des techniques d'ingénierie des caractéristiques pour mieux traiter les données et obtenir de meilleurs modèles d'apprentissage automatique.

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

• Mettre en place un environnement de développement optimal, comprenant tous les paquets Python nécessaires.
• Obtenir des informations importantes en analysant les caractéristiques d'un ensemble de données.
• Optimiser les modèles d'apprentissage automatique en adaptant les données brutes elles-mêmes.
• Propreté et transformation des ensembles de données en vue de 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 neuronaux.

Le langage de programmation de haut niveau Python est réputé pour la clarté de sa syntaxe et la lisibilité de son code.

Dans cette formation en direct dirigée par un instructeur, les participants apprendront à mettre en œuvre des modèles d'apprentissage profond pour les télécommunications à l'aide de Python, en procédant à la création d'un modèle de risque de crédit basé sur l'apprentissage profond.

A 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 les télécommunications.
• Utiliser Python, Keras et TensorFlow pour créer des modèles d'apprentissage profond pour les télécommunications.
• Construire leur propre modèle d'apprentissage profond de prédiction de désabonnement des clients en utilisant Python.

Format du cours

• Exposé et discussion interactifs.
• Beaucoup d'exercices et de pratique.
• Mise en œuvre pratique dans un environnement live-lab.

Options de personnalisation du cours

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

Cette formation en direct avec instructeur en Ville de 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.

Ce cours s'adresse aux personnes qui ont déjà des connaissances en science des données et en statistiques. Les explications données sont conçues pour servir de rappel à ceux qui sont déjà familiers avec les concepts ou pour informer ceux qui ont un bagage approprié.

Cette formation en direct avec instructeur en Ville de 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 en direct avec instructeur en Ville de 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.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning sur un serveur AWS EC2.

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

• Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur AWS.
• Utiliser EKS (Elastic Kubernetes Service) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur AWS.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
• Mettre à profit d'autres services gérés AWS pour étendre une application ML.

Cette formation en direct avec instructeur (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning dans le nuage Azure.

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

• Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur Azure.
• Utiliser Azure Kubernetes Service (AKS) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur Azure.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
• Mettre à profit d'autres services gérés AWS pour étendre une application ML.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux data scientists qui souhaitent utiliser l'apprentissage automatique dans Mathematica pour l'analyse des données.

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

• Construire et entraîner des modèles d'apprentissage automatique.
• Importer et préparer les données pour l'apprentissage automatique.
• Séparer les données d'entraînement des données de test.
• Explorer les applications de l'apprentissage profond et des réseaux neuronaux dans l'analyse des données.

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.

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 souhaitant appliquer le Machine Learning à des applications pratiques pour leur équipe. La formation ne plongera pas dans les détails techniques et s’articulera autour des concepts de base et de leurs applications commerciales / opérationnelles.

Public cible

1. Investisseurs et entrepreneurs en IA
2. Gestionnaires et ingénieurs dont l'entreprise se lance dans l'IA
3. Analystes d' Business 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.

Le but de ce cours est de fournir une maîtrise de base de l’application pratique des méthodes d’ Machine Learning . À l'aide du langage de programmation Scala et de ses différentes bibliothèques, et basé sur une multitude d'exemples pratiques, ce cours explique comment utiliser les éléments de base les plus importants de Machine Learning , comment prendre des décisions en matière de modélisation des données, interpréter les résultats des algorithmes et valider les résultats.

Notre objectif est de vous donner les compétences nécessaires pour comprendre et utiliser en toute confiance les outils les plus fondamentaux de la boîte Machine Learning outils Machine Learning et éviter les pièges courants des applications Data Science .

Cette formation s'adresse aux personnes souhaitant appliquer les techniques de base d' Machine Learning à des applications pratiques.

Public

Les scientifiques de données et les statisticiens qui sont familiarisés avec l’apprentissage automatique et savent comment programmer R. Ce cours met l’accent sur les aspects pratiques de la préparation, de l’exécution, de l’analyse post-hoc et de la visualisation de modèles et de données. Le but est de donner une introduction pratique à l’apprentissage automatique aux participants intéressés par l’application des méthodes au travail

Des exemples sectoriels 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 en direct (en ligne ou sur site) est destinée aux développeurs qui souhaitent utiliser Google's ML Kit pour construire des modèles d'apprentissage automatique optimisés pour le traitement sur les appareils mobiles.

À l'issue 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 les applications Android et iOS à l'aide des API ML Kit.
• Améliorer et optimiser les applications existantes à l'aide du SDK ML Kit pour le traitement et le déploiement sur l'appareil.

Cette formation en direct, animée par un formateur dans Ville de 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 présente les méthodes d'apprentissage automatique dans les applications robotiques.

Il s'agit d'une vue d'ensemble des méthodes existantes, des motivations et des idées principales dans le contexte de la reconnaissance des formes.

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

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 en direct avec instructeur en Ville de Québec (en ligne ou sur site) est destinée aux scientifiques des données et aux ingénieurs logiciels qui souhaitent utiliser Random Forest pour construire des algorithmes d'apprentissage automatique pour de grands ensembles de données.

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

• Mettre en place 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 traiter 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 réglant 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.