Formation et Certification Machine Learning en ligne et à Rabat Agdal et Casa Maârif- Maroc

Machine-learning

Formation et Certification Machine Learning – Data Science – en ligne et à Rabat et Casa Maârif Maroc

Objectifs:

Formation et certification Machine Learning à Rabat Casablanca Maroc a pour objectif :

  • Comprendre le phénomène Big Data et les notions qu’il recouvre.
  • Maîtriser le Spark, Spark SQL et Spark Mllib.
  • Maîtriser les algorithmes du machine learning: Clustering, Kmeans, Association Rules, Regression, Classification, Decision Tree and Naive Bayes.
  • Maîtriser la Programmation R et Scala.
  • Faire des études de cas en R et Scala.

Certifications du formation:

  • Certification « Spark developer »
  • Certification « Data Scientist »
  • Possibilité de passer une certification de EMC2 en machine learning et BIG data Analytics (Dell).
  • Possibilité de passer des certifications d’IBM en BIG data et Machine Learning.

Public:

Toute personne dans le domaine de l’IT ou Statistique désirant Comprendre le Big Data, Data Science et Machine Learning.

Pre-requis

Aucune connaissance sur la machine learning n’est requise, il est conseillé de disposer de connaissances en programmation , l’algorithme et SQL .

Session en ligne:

  • Dates: 7-4, 14-15, 21-22, 28,29 Novembre 2020.
  • Nombre de jours: 08 jours ( 6H/J)
  • Horaire: De 9h00 à 15h00
  • Contacts:
    • Rabat           : +212653906825 | +212537681495
    • Casablanca: +212777376560 | +212522986758
    • Paris             : +33184803359

Session Rabat:

  • Dates: seront précisées ultérieurement.
  • Nombre de jours: 08 jours ( 6H/J)
  • Horaires: de 08h30 à 14h30
  • Lieu de la formation: 15, Avenue de France, Appt N°3, Agdal, RABAT (à côté de Pizza Hut), +212537681495 | +212653906825

Session Casablanca:

  • Dates: seront précisées ultérieurement.
  • Nombre de jours: 08 jours ( 6H/J)
  • Horaires: de 08h30 à 14h30
  • Lieu de la formation: 219 BD Zerktouni Angle BD Roudani 1 er étage, Apt N° 14, Boulevard Brahim Roudani, Casablanca, +212522986758 | +212777376560

Formateurs:

  • Ingénieur d’Etat et consultant statisticien, lauréat de l’Institut National de Statistique et d’Economie Appliquée (INSEA), le formateur a ainsi un doctorat en Statistique de la faculté des sciences de Rabat. Notre formateur a plus de 12 ans d’expérience dans le domaine professionnel (secteur privé et public), avec une expertise en matière de traitement et modélisation des données et une bonne connaissance des secteurs économiques. Il a aussi animé plusieurs formations de Machine Learning, dans le cadre de plusieurs groupes de travail et au profit des étudiants universitaires et des grands comptes.

Déroulement:

  • Les horaires peuvent être adaptés en fonction des disponibilités des différents participants.
  • Une attestation de suivi de formation vous sera remise en fin de formation.

Nos références:

 

Course Features

  • Lectures 70
  • Quizzes 0
  • Duration 48 Heures
  • Skill level Tous Niveaux
  • Language Français
  • Students 0
  • Assessments Yes
  • Chapter 1: Spark 6

    • Lecture1.1
      Introduction
    • Lecture1.2
      Apache Spark
    • Lecture1.3
      Resilient Distributed Datasets (RDD)
    • Lecture1.4
      Will Spark replace MapReduce?
    • Lecture1.5
      LAB 1 – Your First Spark Application
    • Lecture1.6
      LAB 2 – SPARK Creating an Application
  • Chapter 2: Spark SQL 6

    • Lecture2.1
      SPARK SQL Architecture
    • Lecture2.2
      SPARK SQL DataFrames
    • Lecture2.3
      SQL Context
    • Lecture2.4
      LAB 1: SPARK SQL Inferring the schema using reflection
    • Lecture2.5
      LAB 2: SPARK SQL Programmatically specifying the schema
    • Lecture2.6
      LAB 3: SPARK SQL DataSources
  • Chapter 3: SPARK – SCALA Basics 5

    • Lecture3.1
      Spark RDD
    • Lecture3.2
      SPARK- Transformations
    • Lecture3.3
      SPARK- Actions
    • Lecture3.4
      SPARK– Action (ReduceByKey)
    • Lecture3.5
      SPARK– Persistence
  • Chapter 4: Machine Learning- Introduction 3

    • Lecture4.1
      Data Science
    • Lecture4.2
      Who is a Datascientist
    • Lecture4.3
      Data Scientist
  • Chapter 5: Data Analytics Lifecycle 7

    • Lecture5.1
      Data Analytics Lifecycle Overview
    • Lecture5.2
      Phase 1: Discovery
    • Lecture5.3
      Phase 2: Data Preparation
    • Lecture5.4
      Phase 3: Model Planning
    • Lecture5.5
      Phase 4: Model Building
    • Lecture5.6
      Phase 5: Communicate Results
    • Lecture5.7
      Phase 6: Operationalize
  • Chapter 6: R Programming Language 12

    • Lecture6.1
      Data Types
    • Lecture6.2
      Operators
    • Lecture6.3
      Loops
    • Lecture6.4
      Functions
    • Lecture6.5
      Strings
    • Lecture6.6
      Conditional
    • Lecture6.7
      CSV Files
    • Lecture6.8
      Indexing
    • Lecture6.9
      Packages
    • Lecture6.10
      Pie Charts
    • Lecture6.11
      Line Graphs
    • Lecture6.12
      Scatterplots
  • Chapter 7: Advanced Analytical Theory and Methods: Clustering 8

    • Lecture7.1
      Overview of Clustering
    • Lecture7.2
      K-means
    • Lecture7.3
      Clustering – Kmeans – Use Case
    • Lecture7.4
      Kmeans – determining Number of K
    • Lecture7.5
      LAB 1 – Mtcars – R
    • Lecture7.6
      LAB 2 – Grades – R
    • Lecture7.7
      LAB 3 – IRIS – R
    • Lecture7.8
      LAB 4 – Spark – Scala
  • Chapter 8: Advanced Analytical Theory and Methods: Association Rules 5

    • Lecture8.1
      Overview
    • Lecture8.2
      Use Cases
    • Lecture8.3
      Apriori Algorithm
    • Lecture8.4
      LAB 1 – R – Groceries
    • Lecture8.5
      LAB 2 – Spark – Scala
  • Chapter 9: Advanced Analytical Theory and Methods: Classification - Decision Tree 7

    • Lecture9.1
      Classification – Decision Tree
    • Lecture9.2
      Use Cases
    • Lecture9.3
      Types of Decision Trees
    • Lecture9.4
      Alogirthm
    • Lecture9.5
      Some Advantages
    • Lecture9.6
      Disadvantages
    • Lecture9.7
      LAB 1: R – Classification – Decision Tree
  • Chapter 10: Advanced Analytical Theory and Methods: Classification - Naïve Bayes 4

    • Lecture10.1
      Naive Bayes introduction
    • Lecture10.2
      Naïve Bayes theorem
    • Lecture10.3
      Laplace Smoothing
    • Lecture10.4
      LAB 1 – Classification – Naïve Bayes – R
  • Chapter 11: Linear Regression 7

    • Lecture11.1
      The linear regression model
    • Lecture11.2
      Ordinary Least Squares (OLS)
    • Lecture11.3
      Hypothesis test
    • Lecture11.4
      p-value
    • Lecture11.5
      LAB 1 – Linear Regression – R
    • Lecture11.6
      LAB 2 – Linear Regression – R
    • Lecture11.7
      LAB 3 – Linear Regression – R
Ingénieur d’Etat et consultant statisticien, lauréat de l’Institut National de Statistique et d’Economie Appliquée (INSEA), le formateur a ainsi un doctorat en Statistique de la faculté des sciences de Rabat. Notre formateur a plus de 12 ans d’expérience dans le domaine professionnel (secteur privé et public), avec une expertise en matière de traitement et modélisation des données et une bonne connaissance des secteurs économiques. Il a aussi animé plusieurs formations de Machine Learning, dans le cadre de plusieurs groupes de travail et au profit des étudiants universitaires et des grands comptes.

Reviews

Average Rating

0
0 rating

Detailed Rating

5
0%
4
0%
3
0%
2
0%
1
0%
5,500.00MAD

Inscrivez-vous


Call Now Button
Select your currency
MADDirham marocain
EUR Euro