Comprendre l’environnement de base des experts data science, avec un accent particulier sur les « framework » commun permettant d’appréhender les bonnes approches et bonnes pratiques

Prérequis

Compétences de programmation de base en C, Java ou toute autre langage de programmation
Un niveau d'anglais business moyen est requis car la formation sera dispensée en anglais

Public

Cadre de haut niveau, ingénieur avant-vente, responsable informatique, QA (Assurance Qualité) et Support technique. Ou toute personne désirant comprendre les différentes problématiques liées au « machine learning »

Objectifs

Les experts « data science » utilisent un ensemble d’algorithmes qui permet aux ordinateurs de résoudre des problèmes qui sont classés à un niveau de complexité plus élevé que les algorithmes traditionnels. Des exemples de tels cas sont :

Pour prédire un comportement des consommateurs par ses choix passés
Reconnaître une personne au sein d’une image,
"Comprendre" le texte écrit
Prévoir une défaillance du système ou une cyberattaque

Les algorithmes d’apprentissage automatique permettent à l’ordinateur de s’entraîner et d’apprendre de ses propres erreurs et ainsi augmenter ses performances sur de nouvelles données.
Ce cours donne la base pour une meilleure compréhension de l’environnement des experts « data science » et tous les problématiques liées au « Machine Learning »
Nous examinerons divers cas d’utilisation en mettant en œuvre des modèles et des outils appropriés.

Introduction to data science

· Examples and use cases

· Statistics 101

· Machine learning introduction

Data preparation using various tools

· Exploratory data analysis

· Cleaning the data

· Filtering and scaling

· Outliers and null values

· PCA

Running machine learning algorithms

· Regression and decision trees

· Statistical reasoning

· Clustering

· Weka Introduction

Mini project Part A: Recommendation System

· Data Preparation

· Feature selection

Machine learning in cloud environment, Big Data

· Classification

· Association Rules

· Decision Trees

Validation of Results

· Standard metrics

· ROC curve analysis

Mini Project Part B: Recommendation System

· Estimation of different models

· Demo

Summary including Q&A

· Summary including Q&A

Yossi Kally

Lecturer at LOGTEL

A propos

Mr. Yossi Kally is a lecturer at LOGTEL, he has been lecturing computer science and programming since 1995.
Yossi delivers courses in Computer programming in general and Computer languages, with a special focus on Python and Machine Learning.
He is a consultant in the Israeli computer software industry. Prior to that he served in various positions such as Technical v.p. at Lotus Israel, V.P. Engineering at Arel Communications, and a founder at Peertip Technologies, where he led a team that had registered several international patents in the field of text recognition.
For 15 years Yossi has been active in the Python Developers community in Israel, designing and implementing systems such as Network Security and Optimization for Sport odds makers.
Mr. Kally has B.Sc in Electrical Engineering from the University of Pennsylvania.

Leeor Langer

CTO at Wearable Devices LTD

A propos

Leeor Langer is the CTO of a startup company called Wearable Devices LTD. He is also a LogTel instructor and a data science advisor to a number of medical device companies. Leeor is especially interested in linking between mathematical methods and real-world problems. He has worked for both large and small companies, before founding his own, from Intel to startups such as BrandShield. He holds a BSc in Electrical Engineering from the Technion and an MSc in Applied Mathematics from TAU.

Outils pratiques et programmation “Data Science and Machine Learning”

Comprendre l’environnement de base des experts data science, avec un accent particulier sur les « framework » commun permettant d’appréhender les bonnes approches et bonnes pratiques

Prérequis

Public

Objectifs

Des questions ?

Nos autres formations sur le même thème