Formation Machine Learning avec R et Python

Inscrivez-vous



Inscrivez-vous à la formation Machine Learning avec R et Python

Formation Machine Learning avec R et Python – Télépresentiel et Présentiel à Rabat Agdal et Casablanca Mâarif


Avec respectivement 26 et 22 ans d’existence, il serait quelque peu exagéré d’en vanter la nouveauté. Cependant, leur popularité s’est singulièrement accrue lors des dernières années, conjointement avec l’essor du Big-Data et de la Data science.

Python trouve son origine dans le monde informatique, R dans le monde statistique/mathématique. Partant chacun d’un bout du spectre ils ont fini par se rejoindre sur les fonctionnalités essentielles à la datascience.

De par son héritage informatique Python est naturellement plus adaptable aux volumes importants de données tandis que R dispose de plus d’outils orientés vers l’analyse statistique. Forts de communautés actives, les deux langages offrent des packages permettant de combler les manques initiaux (ex. pyplot et scikitlearn pour python, multicore et parallel pour R). Ces deux outils fournissent des outils de gestion des packages afin de les rendre plus facilement accessibles aux moins experts (pip pour python et le cran pour R).

Certifications de la formation :

  • Certification of course completion « Formation Machine Learning avec R et Python »
  • Certification « Certified Associate Machine Learning Developper with R and Python » (*)
  • Possibilité de passer des certifications d’IBM en BIG DATA.

Session télé-présentielle:

Session Rabat - présentielle:

  • Nombre de jours: 04 jours ( 6H/J)
  • Horaire: De 9h00 à 15h00
  • Lieu : 15, Avenue de France, Bureau N°3, Agdal, RABAT (à côté Pizza Hut ) Rabat Agdal, 0537681495 | 0653906825.

Session Casablanca - présentielle:

  • Nombre de jours: 04 jours ( 6H/J)
  • Horaire: De 9h00 à 15h00
  • Lieu : 219, BD Zerktouni Angle BD Roudani, 1er étage, Bureau N°14, Casa Maârif, 0777376560 | 0522986758.

S'inscrire à la formation.

Ce module de 6 jours en téléprésentiel vise à présenter les détails nécessaires pour appréhender efficacement le Machine Learning et pour la construction de la connaissance, sur la base des données qui peuvent être de plusieurs natures. Les sujets traités comprennent entre autres :


  • L’apprentissage supervisé (algorithmes paramétriques/non paramétriques) ;
  • L’apprentissage non supervisé (clustering, réduction de la dimension, systèmes de recommandation) ;
  • Les bonnes pratiques en Machine Learning (théorie de biais/variance, processus d’innovation et IA).

La formation s’appuiera également sur de nombreuses études de cas et applications, de sorte à pouvoir appliquer les algorithmes à de nouveaux problèmes telle que la classification d’un texte.

Le but de cette partie d'une journée se focalise sur la statistique inférentielle, qui s’avère nécessaire pour introduire des approches de Machine Learning, telle que la régression. Les stagiaires seront capables de distinguer plusieurs lois de probabilité. Ils seront capables de calculer et interpréter des corrélations entre plusieurs variables, maitriser les concepts de base des tests d’hypothèses et de la théorie d’estimation. Les autres concepts sur la projection, l’inertie et les valeurs propres sont nécessaires dans le cadre de « feature engineering » et de la préparation des données. Des cas pratiques seront présentés pour illustrer chaque concept.


  • Présentation des concepts de base sur la statistique inférentielle ;
  • Notions sur les variables aléatoires et les probabilités ;
  • Les lois de probabilité classiques discrètes et continues ;
  • L’espérance mathématique, la variance et l’écart type ;
  • La covariance d’un couple de variables aléatoires ;
  • Le coefficient de corrélation linéaire ;
  • Corrélation, causalité et dépendance ;
  • Etude de cas pratiques : ajustements de lois, et calculs ;
  • L’inertie, les projections, les valeurs propres et l’effet cosinus ;
  • Notions sur l’échantillonnage ;
  • Notions sur la pratique de la théorie de l’estimation ;
  • Notions sur les tests d’hypothèses ;
  • Notions sur les distances, les métriques et les mesures de discordance et de similarité ;
  • Exactitude et précision ;
  • La préparation et la gestion des données.
  • Formateur Machine Learning et Statistique: 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. Notre formateur a plus de 13 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 est au même temps professeur universitaire à l’université Alakhawayn (AUI). 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 tel que : Inwi.


  • Formateur Machine Learning avec Spark: 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 est au même temps professeur universitaire à l’INPT. Il a cumulé plus de 13 ans d’expérience dans le domaine professionnel, ainsi il était consultant et chef de projet dans une grande multinationale ou il a travaillé pour le compte de plusieurs clients francophones/anglophones à savoir : Schneider, Ciba, Pfizer, Solvay, Boehringer Ingelhem etc. 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, Altran, PhoneGroup, Avito, Xhub, Lydec, Maroc PME…

Description de la formation

Le métier de Data Scientist est avant tout une vocation, qui se traduit par la pratique de traitement de données de différentes natures, à l’aide d’algorithmes adaptés, afin de répondre à des challenges de décision. Ainsi, au sein d’une équipe Data, vous serez en charge de choisir le modèle le plus performant, parmi une palette d’algorithmes : supervisés, non supervisés ou encore réseaux de neurones profonds (Deep Learning). L’importance de ce type particulier d’algorithmes, réside dans leur pouvoir à permettre à des machines d’agir sans être explicitement programmés et c’est exactement, la maîtrise de ces algorithmes, qui ont permis d’industrialiser des voitures automnes, de tirer profit de la reconnaissance vocale, d’effectuer des recherches Web efficaces et de construire une connaissance considérablement améliorée du génome humain.

Le Machine Learning fait appel en fait, à plusieurs compétences interdisciplinaires, telle que la statistique, l’algèbre linéaire, l’optimisation et l’informatique, pour développer des systèmes automatisés, capables de passer au crible de grands volumes de données, afin de prendre des décisions, tout en minimisant l’intervention humaine. En tant que domaines d’application, le Machine Learning est désormais incroyablement omniprésent, avec des applications allant de l’intelligence d’affaires à la sécurité des pays, de l’analyse des interactions biochimiques à la surveillance structurelle du vieillissement des ponts, etc.

Dans le même ordre d’idées, les responsables de cette formation ont conçu le mini master Machine Learning, afin de faire bénéficier les stagiaires d’une formation complète et qui répond aux standards internationaux. Le premier résultat escompté est de bien vous outiller, afin de maîtriser les techniques de Machine Learning les plus efficaces, dans l’objectif d’exercer à les mettre en œuvre et à les faire fonctionner par vous-même. Plus important encore, vous découvrirez non seulement les fondements théoriques de l’apprentissage, mais vous acquerrez également le savoir-faire pratique nécessaire pour appliquer efficacement les techniques présentées, à de nouveaux problèmes dans le cadre des situations réelles.

Ensuite, la formation vise à présenter les détails nécessaires pour appréhender efficacement le Machine Learning et pour la construction de la connaissance, sur la base des données qui peuvent être de plusieurs natures. Les sujets traités comprennent entre autres :

  • L’apprentissage supervisé (algorithmes paramétriques/non paramétriques) ;
  • L’apprentissage non supervisé (clustering, réduction de la dimension, systèmes de recommandation) ;
  • Les bonnes pratiques en Machine Learning (théorie de biais/variance, processus d’innovation et IA).
  • La formation s’appuiera également sur de nombreuses études de cas et applications, de sorte à pouvoir appliquer les algorithmes à de nouveaux problèmes telle que la classification d’un texte.

La formation de certification Machine Learning est conçu par des consultants experts pour faire de vous un praticien certifié Machine Learning. Le mini master Machine Learning a pour objectifs:

  • Comprendre les concepts de base sur la statistique inférentielle
  • Apprendre à utiliser les modèles d'apprentissage supervisé (arbre de décision, forêt aléatoire, régression logistique, naïve bayésienne)
  • Apprendre à utiliser l'apprentissage non supervisé (clustering, règles d'association, réduction de la dimension, systèmes de recommandation)
  • Méthodes mobilisées:

    Les apprenants se connecteront à une classe virtuelle animée par un formateur. Le cours étant interactif, des échanges entre le formateur et les apprenants auront lieux selon les séquences établies dans le programme de formation. Afin de concrétiser la théorie, le formateur mettra en place des travaux pratiques individuels et des étude de cas concrets.


  • Moyens pédagogiques :

    • Plateforme Zoom (vidéo et partage d’écran)
    • Documents de supports de formation projetés (Diaporama PowerPoint )
    • Mise à disposition en ligne de documents supports (ZOOM et Google Classroom)
    • Vidéo animées et schéma explicatifs
    • Accès à un environnement interactif pour réaliser les travaux pratiques
    • Accès en illimité à la plateforme Google Classroom pour les supports de cours

  • Modalités d'évaluations:

    Un test d'évaluation vous sera dispensé au début et en fin de formation afin d'évaluer votre niveau et votre progression. De plus, en fin de la formation, un questionnaire de satisfaction et un examen en ligne vous seront envoyés.

Nos formations sont accessibles selon les modalités suivantes:


  1. Inter-entreprises: groupes de stagiaires provenant de différentes entreprises
  2. Intra-entreprise: groupes de stagiaire de la même entreprise

Plusieurs modes de financement vous permettent d’accéder à nos formations en tant que salarié via votre entreprise ou en tant que particulier. Nos conseillers sont à votre disposition à fin de vous expliquer les différents options.
Nous nous engageons à répondre à vos demandes d'informations et à vous adresser un devis sous 5 jours ouvrés.
De votre côté :

  • vous devez vous assurer de nous envoyer le devis signé dans les plus bref délais.
  • ou
  • un paiement d'un acompte de 25% du prix de la formation TTC à payer sur ce site dans la boutique en ligne

L’annulation d’une séance de formation de votre part est possible, à condition de le faire au moins 10 jours calendaires avant la date prévisionnelle de la formation (Passé ce délai seul le report est possible).

Le marché de l'analyse Big Data est en croissance à travers le monde et ce modèle de croissance forte se traduit par une excellente opportunité pour tous les professionnels de l'informatique. Les responsables du recrutement recherchent des professionnels certifiés Big Data Hadoop et Spark. Notre formation à la certification Big Data et Hadoop et Spark vous aide à saisir cette opportunité et à accélérer votre carrière. Notre cours Big Data Hadoop et Spark peut être suivi par des professionnels comme par des novices. Il est le mieux adapté pour:


  • Passionnés de Big Data
  • Développeurs logiciels, chefs de projet
  • Architectes logiciels
  • Consultant BI
  • Ingénieurs de données
  • Data Analyst
  • Data scientist
  • DBA et professionnels de la base de données
  • Ingénieurs en informatique
  • Diplômés cherchant à construire une carrière dans le domaine du Big Data

Il n'y a pas de prérequis pour la formation Mini Master Machine Learning ou data science avec R, Scikit Learn avec Python et Spark avec Python ou Scala. Cependant, une connaissance préalable de la programmation, Statistique sera utile mais n'est pas obligatoire. De plus, pour parfaire vos compétences, Itabacademy propose le cours gratuit "python for data science" à suivre à votre rythme lorsque vous vous inscrivez au cours Mini Master Machine Learning ou data science avec R, Scikit Learn avec Python et Spark avec Python ou Scala.

Information Handicap : Nos formations peuvent être accessibles aux personnes en situation de handicap. Chaque situation étant unique, nous vous demandons de préciser à l’inscription votre handicap. Nous pourrons ainsi confirmer l’ensemble des possibilités d’accueil et vous permettre de suivre la formation dans les meilleures conditions en accord avec votre employeur. Pour toutes informations complémentaires, nous vous conseillons les structures suivantes : ONISEP, AGEFIPH et FIPHFP. https://www.onisep.fr/Formation-et-handicap
https://www.agefiph.fr/
http://www.fiphfp.fr/

  • Développer une idée claire de ce qu’implique l’apprentissage des modèles à partir des données
  • Maitriser les concepts d’une grande variété d’algorithmes de Machine Learning
  • Modéliser des données classiques et complexes et appliquer les algorithmes à un problème réel
  • Extraire de la connaissance sur la base des algorithmes et résultats issus de vos données
  • Etre capable d’évaluer les modèles générés à partir des données
  • Choisir entre plusieurs approches et entrainer des modèles
  • Optimiser les modèles en prenant compte des résultats escomptés (précision, fiabilité, exactitude, etc.).

Comme vous le savez, de nos jours, de nombreuses organisations manifestent de l'intérêt pour le Big Data et adoptent Hadoop et Spark dans le cadre de leur stratégie de solution, la demande d'emplois dans le Big Data et Spark augmente rapidement. Il est donc grand temps de poursuivre votre carrière dans le domaine du Big Data et de l'analyse avec notre formation qui prépare à la certification Hadoop et Spark avec Python et Scala.

Programme détaillé de la formation Machine Learning avec R et Python

Mot de bienvenue, présentation générale de la formation, des prérequis et des concepts de base sur Le Machine Learning

Le but de la journée est d’introduire les concepts de base de Machine Learning. Les stagiaires auront une idée précise sur les prérequis, sur Data Analytics Lifecycle et les normes et standards en Machine Learning. Ils devront maitriser certaines techniques pour interroger leurs bases de données. Ainsi, ils sauront distinguer plusieurs types de variables et les caractériser, et ils sauront distinguer un problème déterministe et probabiliste. Des mises en situation seront abordées lors de cette première séance. Le programme de la journée se présente ainsi :

  • Ouverture des sessions de la formation : présentation des objectifs et identification des besoins et des attentes des stagiaires ;
  • Présentation de Machine Learning : quelques concepts de base et vocabulaire ;
  • L’apprentissage automatique en pratique : quelques exemples d’application ;
  • Les prérequis pour appréhender les approches d’apprentissage automatique ;
  • Aperçue sur les algorithmes d’apprentissage automatique : apprentissage supervisé, non supervisé et apprentissage forcé ;
  • Présentation de Data Analytics Lifecycle, Normes et standards en Machine Learning ;
  • Une vue d’ensemble sur les approches déterministes et probabilistes ;
  • Présentation de certains concepts de base sur les variables statistiques et les modèles en statistique ;
  • Une vue d’ensemble sur les différents types de variables ;
  • Quelques notions de la statistique descriptive : représentation et caractéristiques des variables (moyenne, variance, ecart type, model, quartiles, etc.) ;
  • Etudes de cas pratiques : représentation et exploration préliminaire des variables.

Règles d’association, Arbres de décision et les forêts (aléatoires) d’arbres décisionnels

Le but de la journée se focalise sur les règles d’associations et les arbres de décision. Il s’agit de deux objectifs des outils de Machine Learning. A la fin de la journée, les stagiaires sauront recommander des associations de produits en se basant sur des outils techniques et pourront effectuer la classification à l’aide des arbres de décision. Une introduction de concepts s’avère nécessaire. Ainsi, les stagiaires auront plus de détails sur la préparation des données en utilisant plusieurs libraires et la préparation des échantillons. Des calculs de fréquences, d’entropie et de gains d’information sont nécessaires pour la mise en place des algorithmes présentés. Concernant les forêts aléatoires, elles seront présentées comme une technique améliorée qui combine plusieurs arbres.

Le programme de la journée se présente ainsi :

  • Présentation des librairies de Machine Learning sous R, Python et Scala ;
  • Préparation des échantillons : Notions préliminaires sur l’échantillonnage, échantillons d’apprentissage, de validation et de test ;
  • Introduction du concept de règle d’association : exemples et définitions ;
  • Présentation des concepts de : support, confidence, lift et leverage;
  • Etudes de cas pratiques sur les règles d’association ;
  • Fondements des algorithmes relatifs aux règles d’association : Apriori, Euclat, FP-growth ;
  • Présentation du principe de la classification : quelques exemples pratiques ;
  • Evaluation du degré de désordre : principe d’entropie, indice de Gini, gain d’information ;
  • Etude de cas pratiques sur l’arbre de décision ;
  • Forêts aléatoire vs arbre de décision : présentation de concepts et comparaison ;
  • Etude de cas pratiques sur les forêts aléatoires.

Mise à niveau sur la statistique inférentielle et la préparation des données

Le but de la journée se focalise sur la statistique inférentielle, qui s’avère nécessaire pour introduire des approches de Machine Learning, telle que la régression. Les stagiaires seront capables de distinguer plusieurs lois de probabilité. Ils seront capables de calculer et interpréter des corrélations entre plusieurs variables, maitriser les concepts de base des tests d’hypothèses et de la théorie d’estimation. Les autres concepts sur la projection, l’inertie et les valeurs propres sont nécessaires dans le cadre de « feature engineering » et de la préparation des données. Des cas pratiques seront présentés pour illustrer chaque concept.

  • Présentation des concepts de base sur la statistique inférentielle ;
  • Notions sur les variables aléatoires et les probabilités ;
  • Les lois de probabilité classiques discrètes et continues ;
  • L’espérance mathématique, la variance et l’écart type ;
  • La covariance d’un couple de variables aléatoires ;
  • Le coefficient de corrélation linéaire ;
  • Corrélation, causalité et dépendance ;
  • Etude de cas pratiques : ajustements de lois, et calculs ;
  • L’inertie, les projections, les valeurs propres et l’effet cosinus ;
  • Notions sur l’échantillonnage ;
  • Notions sur la pratique de la théorie de l’estimation ;
  • Notions sur les tests d’hypothèses ;
  • Notions sur les distances, les métriques et les mesures de discordance et de similarité ;
  • Exactitude et précision ;
  • La préparation et la gestion des données.

La classification avec Naïve Bayes, SVM, KNN et neural network

Le but de la journée se focalise sur des algorithmes avancés dédiés à la classification. Il s’agit de Naïve Bayes, SVM et KNN. Ces algorithmes sont largement utilisés et nécessitent l’introduction des concepts sur les probabilités conditionnelles, les distances et les similarités (déjà évoquées lors des séances de mise à niveau). D’autres notions vont être introduites pour la présentation du SVM, tels que les supports et les marginales. La deuxième partie sera consacrée aux réseaux de neurones qui sont plus adaptés pour des environnement Big Data. On s’attardera plus sur la conception d’un réseau de neurone, ses multiples utilisations et les interprétations y afférentes. Le programme de la journée se présente ainsi :

  • Pourquoi « Naïve » bayes ? ;
  • Classification avec naïve bayes : concepts et études de cas pratiques ;
  • Présentation des concepts de SVM : supports, marginal, problème linéaire, fonctions kernel ;
  • Classification avec SVM : études de cas pratiques ;
  • Notions sur les distances, les métriques et les mesures de discordance et de similarité ;
  • Mise en pratique de KNN : présentation des concepts et études de cas pratiques ;
  • Les réseaux de neurones : définition des neurones, couches, fonctions d’activation et biais ;
  • Mise en pratique des réseaux de neurones ;
  • Perfectionner les réseaux de neurones : vers des réseaux de neurones profonds.

FAQs

Le métier de Data Scientist est avant tout une vocation, qui se traduit par la pratique de traitement de données de différentes natures, à l’aide d’algorithmes adaptés, afin de répondre à des challenges de décision. Ainsi, au sein d’une équipe Data, vous serez en charge de choisir le modèle le plus performant, parmi une palette d’algorithmes : supervisés, non supervisés ou encore réseaux de neurones profonds (Deep Learning). L’importance de ce type particulier d’algorithmes, réside dans leur pouvoir à permettre à des machines d’agir sans être explicitement programmés et c’est exactement, la maîtrise de ces algorithmes, qui ont permis d’industrialiser des voitures automnes, de tirer profit de la reconnaissance vocale, d’effectuer des recherches Web efficaces et de construire une connaissance considérablement améliorée du génome humain.

Le Machine Learning fait appel en fait, à plusieurs compétences interdisciplinaires, telle que la statistique, l’algèbre linéaire, l’optimisation et l’informatique, pour développer des systèmes automatisés, capables de passer au crible de grands volumes de données, afin de prendre des décisions, tout en minimisant l’intervention humaine. En tant que domaines d’application, le Machine Learning est désormais incroyablement omniprésent, avec des applications allant de l’intelligence d’affaires à la sécurité des pays, de l’analyse des interactions biochimiques à la surveillance structurelle du vieillissement des ponts, etc.

Dans le même ordre d’idées, les responsables de cette formation ont conçu le mini master Machine Learning, afin de faire bénéficier les stagiaires d’une formation complète et qui répond aux standards internationaux. Le premier résultat escompté est de bien vous outiller, afin de maîtriser les techniques de Machine Learning les plus efficaces, dans l’objectif d’exercer à les mettre en œuvre et à les faire fonctionner par vous-même. Plus important encore, vous découvrirez non seulement les fondements théoriques de l’apprentissage, mais vous acquerrez également le savoir-faire pratique nécessaire pour appliquer efficacement les techniques présentées, à de nouveaux problèmes dans le cadre des situations réelles.

Ensuite, la formation vise à présenter les détails nécessaires pour appréhender efficacement le Machine Learning et pour la construction de la connaissance, sur la base des données qui peuvent être de plusieurs natures. Les sujets traités comprennent entre autres :

  • L’apprentissage supervisé (algorithmes paramétriques/non paramétriques) ;
  • L’apprentissage non supervisé (clustering, réduction de la dimension, systèmes de recommandation) ;
  • Les bonnes pratiques en Machine Learning (théorie de biais/variance, processus d’innovation et IA).
  • La formation s’appuiera également sur de nombreuses études de cas et applications, de sorte à pouvoir appliquer les algorithmes à de nouveaux problèmes telle que la classification d’un texte.

  • Développer une idée claire de ce qu’implique l’apprentissage des modèles à partir des données ;
  • Maitriser les concepts d’une grande variété d’algorithmes de Machine Learning ;
  • Modéliser des données classiques et complexes et appliquer les algorithmes à un problème réel ;
  • Extraire de la connaissance sur la base des algorithmes et résultats issus de vos données ;
  • Etre capable d’évaluer les modèles générés à partir des données ;
  • Choisir entre plusieurs approches et entrainer des modèles ;
  • Optimiser les modèles en prenant compte des résultats escomptés (précision, fiabilité, exactitude, etc.).

Le marché de l'analyse Big Data est en croissance à travers le monde et ce modèle de croissance forte se traduit par une excellente opportunité pour tous les professionnels de l'informatique. Les responsables du recrutement recherchent des professionnels certifiés Big Data Hadoop et Spark. Notre formation à la certification Big Data et Hadoop et Spark vous aide à saisir cette opportunité et à accélérer votre carrière. Notre cours Big Data Hadoop et Spark peut être suivi par des professionnels comme par des novices. Il est le mieux adapté pour:


  • Passionnés de Big Data
  • Développeurs logiciels, chefs de projet
  • Architectes logiciels
  • Consultant BI
  • Ingénieurs de données
  • Data Analyst
  • Data scientist
  • DBA et professionnels de la base de données
  • Ingénieurs en informatique
  • Diplômés cherchant à construire une carrière dans le domaine du Big Data

Comme vous le savez, de nos jours, de nombreuses organisations manifestent de l'intérêt pour le Big Data et adoptent Hadoop et Spark dans le cadre de leur stratégie de solution, la demande d'emplois dans le Big Data et Spark augmente rapidement. Il est donc grand temps de poursuivre votre carrière dans le domaine du Big Data et de l'analyse avec notre formation qui prépare à la certification Hadoop et Spark avec Python et Scala.

Il n'y a pas de tels prérequis pour la formation Mini Master Machine Learning ou data science avec R, Scikit Learn avec Python et Spark avec Python ou Scala. Cependant, une connaissance préalable de la programmation, Statistique sera utile mais n'est pas obligatoire. De plus, pour parfaire vos compétences, Itabacademy propose le cours gratuit "python for data science" à suivre à votre rythme lorsque vous vous inscrivez au cours Mini Master Machine Learning ou data science avec R, Scikit Learn avec Python et Spark avec Python ou Scala.



Attestation MM ML



Ce que nos clients disent de nous

Moulay Youssef Smaili
Moulay Youssef Smaili
30. Novembre, 2019.
Ayant suivi la formation Big data & Machine learning durant la dernière session (octobre-novemvre 2019), je tiens à remercier les formateurs Dr Abdoullah et Dr Amine pour la qualité de la formation, leur pédagogie et leur gentillesse. Je vous souhaite une très bonne continuation et à très bientôt inchallah. Youssef.
AK I
AK I
20. Octobre, 2019.
Any big data course in itself is interesting, but thanks to a well designed organization of the material, the hands-on labs and moderators able to deliver knowledge and expertise in a shareable mode instead of a I-give/you-take mode, made it excellent. The staff was professionally great in doing exactly what it is suppose to do and with a genuine smile. I thank you for a job well done.
Benjamin Ekia
Benjamin Ekia
20. Octobre, 2019.
ITAB Academy centre avec des formateurs au point sur les différentes formations mon expérience au sein de cette établissement était très riche.
alfousseyni.keita.@yahoo.com Keita
alfousseyni.keita.@yahoo.com Keita
20. Octobre, 2019.
Tout d'abord, je dois avouer que le local est très propice pour l'apprentissage. J'ai fait la formation big data et Machine Learning et je dois avouer que le formateur est très compétant et il sait de quoi il parle et cela est largement suffisant.

Quelques références

ITAB ACADEMY en photos