Mini Master Machine Learning en ligne à Rabat ou Casablanca

machine-learning-vs-deep-learning-1-1

Mini Master Machine Learning – formation télé-présentielle – en Weekend

Mini Master  couvre deux modules:  Machine Learning et Python :

Certifications du MiniMaster:

  • Certification « Mini Master Machine Learning ».
  • Certification « Data Scientist »
  • Certification « Spark Developer »
  • 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.

Module Machine Learning: 

  • Possibilité de passer une certification de EMC2 en machine learning et BIG data Analytics (Dell).

Objectifs du module Machine Learning: 

  • Maîtriser les algorithmes du Machine Learning: Clustering, Association Rules, Linear Regression et Classification
  • Maitriser la programmation R et Scala.
  • Faire des études de cas en R et Scala.
Module Python for Data Science  :
  • Découvrir les bonnes pratiques et connaissances fondamentales pour effectuer vos analyses de données à l’aide de Python
Objectifs du module : 
  • Mettre en œuvre les différents modules Python
  • Concevoir et exécuter un notebook Jupyter

Public:

  • Toute personne dans le domaine de l’IT désirant Comprendre le phénomène Big Data.

Pre-requis:

Aucune connaissance sur le Big Data n’est requise, il est conseillé de disposer de connaissances en programmation , l’algorithme et SQL .

Session en ligne:

  • Dates: 31 Octobre-1, 7-4, 14-15, 21-22, 28,29 Novembre 2020.
  • Nombre de jours: 15 jours ( 6H/J): 5 jours en ligne et 10 jours en téléprésentiel
  • Horaire: De 9h00 à 15h00
  • Contacts:
    • Rabat           : +212653906825 | +212537681495
    • Casablanca: +212777376560 | +212522986758
    • Paris            : +33184803359

Session Rabat:

  • Dates: seront précisées ultérieurement.
  • Nombre de jours: 14 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: 14 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 BIG DATA, lauréat de l’université Alakhawayn, le formateur a un doctorat en informatique de l’ENSIAS en partenariat avec l’université de Quebec. Il a plus de 12 ans d’expérience dans le domaine professionnel, ainsi il était consultant et chef de projet dans une grande multinationale. Notre formateur possède plusieurs certifications en BIG DATA et SPARK. Il a aussi animé plusieurs formation BIG DATA et Machine Learning pour des grands comptes tel que: Inwi, Orange, Maroc PME, Altran, PhoneGroup, Avito, Xhub, Lydec…
  • Ingénieur d’Etat et consultant statisticien. Lauréat de l’Institut National de Statistique et d’Economie Appliquée (INSEA). Il a un doctorat en Statistique de la faculté des sciences de Rabat. Il 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 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 88
  • Quizzes 0
  • Duration 84 hours
  • Skill level Tous Niveaux
  • Language Français
  • Students 4528
  • Assessments Yes
  • Les bases de Python 3

    • Lecture1.1
      Types
    • Lecture1.2
      Expressions et variables
    • Lecture1.3
      Opérations sur cordes
  • Structures de données Python 3

    • Lecture2.1
      Listes et tuples
    • Lecture2.2
      Sets
    • Lecture2.3
      Dictionnaires
  • Principes fondamentaux de la programmation en Python 4

    • Lecture3.1
      Conditions et ramification
    • Lecture3.2
      Boucles
    • Lecture3.3
      Fonctions
    • Lecture3.4
      Objets et classes
  • Mise en place votre environnement de travail 3

    • Lecture4.1
      Découvrir l’écosystème Python
    • Lecture4.2
      Installer Jupyter
    • Lecture4.3
      Lancer et éditer une session de notebook Jupyter
  • Initiation à la librairie Numpy 3

    • Lecture5.1
      Comprendre les fonctionnalités Numpy
    • Lecture5.2
      Importer Numpy
    • Lecture5.3
      Stocker et exécuter des opérations sur les données
  • Mise en pratique des notebooks (Matplotlib et Numpy) 3

    • Lecture6.1
      Maîtriser l’outil Matplotlib
    • Lecture6.2
      Réaliser des graphiques avec Seaborn
    • Lecture6.3
      Editer une régression linéaire
  • Traiter des données avec la librairie Pandas 3

    • Lecture7.1
      Manipuler les données contenues dans les DataFrames
    • Lecture7.2
      Effectuer les opérations d’algèbre relationnelle sur les DataFrames
    • Lecture7.3
      Mettre en application les acquis sur Pandas
  • SPARK 6

    • Lecture8.1
      Introduction
    • Lecture8.2
      Apache Spark
    • Lecture8.3
      Resilient Distributed Datasets (RDD)
    • Lecture8.4
      Will Spark replace MapReduce?
    • Lecture8.5
      LAB 1 – Your First Spark Application
    • Lecture8.6
      LAB 2 – SPARK Creating an Application
  • SPARK SQL 6

    • Lecture9.1
      SPARK SQL Architecture
    • Lecture9.2
      SPARK SQL DataFrames
    • Lecture9.3
      SQL Context
    • Lecture9.4
      LAB 1: SPARK SQL Inferring the schema using reflection
    • Lecture9.5
      LAB 2: SPARK SQL Programmatically specifying the schema
    • Lecture9.6
      LAB 3: SPARK SQL DataSources
  • MACHINE LEARNING- INTRODUCTION 3

    • Lecture10.1
      Data Science
    • Lecture10.2
      Who is a Datascientist
    • Lecture10.3
      Data Scientist
  • DATA ANALYTICS LIFECYCLE 8

    • Lecture11.1
      Data Analytics Lifecycle Overview
    • Lecture11.2
      Phase 1: Discovery
    • Lecture11.3
      Phase 2: Data Preparation
    • Lecture11.4
      Phase 3: Model Planning
    • Lecture11.5
      Phase 4: Model Building
    • Lecture11.6
      Phase 5: Communicate Results
    • Lecture11.7
      Phase 6: Operationalize
    • Lecture11.8
      Data Types
  • R PROGRAMMING LANGUAGE 12

    • Lecture12.1
      Data Types
    • Lecture12.2
      Operators
    • Lecture12.3
      Loops
    • Lecture12.4
      Functions
    • Lecture12.5
      Strings
    • Lecture12.6
      Conditional
    • Lecture12.7
      CSV Files
    • Lecture12.8
      Indexing
    • Lecture12.9
      Packages
    • Lecture12.10
      Pie Charts
    • Lecture12.11
      Line Graphs
    • Lecture12.12
      Scatterplots
  • ADVANCED ANALYTICAL THEORY AND METHODS: CLUSTERING 8

    • Lecture13.1
      Overview of Clustering
    • Lecture13.2
      K-means
    • Lecture13.3
      Clustering – Kmeans – Use Case
    • Lecture13.4
      Kmeans – determining Number of K
    • Lecture13.5
      LAB 1 – Mtcars – R
    • Lecture13.6
      LAB 2 – Grades – R
    • Lecture13.7
      LAB 3 – IRIS – R
    • Lecture13.8
      LAB 4 – Spark – Scala
  • ADVANCED ANALYTICAL THEORY AND METHODS: ASSOCIATION RULES 5

    • Lecture14.1
      Overview
    • Lecture14.2
      Use Cases
    • Lecture14.3
      Apriori Algorithm
    • Lecture14.4
      LAB 1 – R – Groceries
    • Lecture14.5
      LAB 2 – Spark – Scala
  • ADVANCED ANALYTICAL THEORY AND METHODS: CLASSIFICATION - DECISION TREE 7

    • Lecture15.1
      Classification – Decision Tree
    • Lecture15.2
      Use Cases
    • Lecture15.3
      Types of Decision Trees
    • Lecture15.4
      Alogirthm
    • Lecture15.5
      Some Advantages
    • Lecture15.6
      Disadvantages
    • Lecture15.7
      LAB 1: R – Classification – Decision Tree
  • ADVANCED ANALYTICAL THEORY AND METHODS: CLASSIFICATION - NAÏVE BAYES 4

    • Lecture16.1
      Naive Bayes introduction
    • Lecture16.2
      Naïve Bayes theorem
    • Lecture16.3
      Laplace Smoothing
    • Lecture16.4
      LAB 1 – Classification – Naïve Bayes – R
  • LINEAR REGRESSION 7

    • Lecture17.1
      The linear regression model
    • Lecture17.2
      Ordinary Least Squares (OLS
    • Lecture17.3
      Hypothesis test
    • Lecture17.4
      p-value
    • Lecture17.5
      LAB 1 – Linear Regression – R
    • Lecture17.6
      LAB 2 – Linear Regression – R
    • Lecture17.7
      LAB 3 – Linear Regression – R
Ingénieur d’Etat et consultant BIG DATA, lauréat de l’université Alakhawayn, le formateur a un doctorat en informatique de l’ENSIAS en partenariat avec l’université de Quebec. Il a plus de 12 ans d’expérience dans le domaine professionnel, ainsi il était consultant et chef de projet dans une grande multinationale. Notre formateur possède plusieurs certifications en BIG DATA et SPARK. Il a aussi animé plusieurs formation BIG DATA, Machine Learning et datascience pour des grands comptes tel que: Inwi, Orange, Maroc PME, Altran, PhoneGroup, Avito, Xhub, Lydec…
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%
7,900.00MAD

Leave A Reply

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Inscrivez-vous


Call Now Button
Select your currency
MADDirham marocain
EUR Euro