CERTIFICATION MACHINE LEARNING & DEEP LEARNING POUR L’INDUSTRIE

Cette formation s’adresse aux professionnels du domaine industriel souhaitant acquérir des connaissances en Machine Learning et Deep Learning propre à leur secteur d’activité.

La maintenance prédictive, l’analyse de paramètres influençant un process, le contrôle qualité, la traçabilité et l’identification visuelle à l’aide de caméras sont les enjeux de l’intelligence artificielle appliqués à l’industrie.

Cette formation s’adresse à toute personne ayant des compétences techniques en informatique et/ou statistiques et travaillant dans le domaine industriel (ingénieur informatique, développeur, responsable technique, ingénieur process)

Le prérequis nécessaire pour cette formation consiste en la connaissance du langage Python.

MODULE 1 : EXPLORATION DES DONNEES AVEC PYTHON

Durée : 5 jours (35 heures)

Objectif :

• Utiliser les principales librairies de calcul numériques dont Numpy, Pandas et Matplotlib
• Savoir réaliser une exploration de données à l’aide des statistiques
• Utiliser les outils de manipulation de données du Big Data

Programme :

• Le langage python et les librairies scientifiques (Pandas, Numpy, SciPy)
• Collecte et préparation des données
• Études statistiques des données
• Data Viz
• Le Big Data et Apache Spark

MODULE 2 : MACHINE LEARNING

Durée : 4 jours (28 heures)

Objectifs :

• Comprendre les fondamentaux du Machine Learning avec Python
• Créer des modèles et les évaluer
• Comprendre et mettre en œuvre les différents types d’apprentissages
• Savoir préparer les données au regard du modèle utilisé

Programme :

• Qu’est-ce que le Machine Learning ?
• Mener à bien un projet de Machine Learning
• Les principaux algorithmes du Machine Learning (régression, classification, clustering, bagging et boosting)
• Préparation des données pour l’apprentissage (gestion des valeurs manquantes, gestion des valeurs aberrantes, réduction de dimension, sélection de caractéristiques, transformation de caractéristiques, gestion des classes non équilibrées)
• Utilisation de la librairie python Scikit-Learn
• Optimisation des modèles et validation croisée (cross validation)

MODULE 3 : LES SERIES TEMPORELLES ET LA MAINTENANCE PREDICTIVE

Durée : 3 jours (21 heures)

Objectifs :

• Savoir analyser les séries temporelles (données issues de capteurs)
• Réaliser des prédictions à l’aide de Facebook prophet

Programme :

• Introduction aux séries temporelles et leurs utilisations dans le domaine industriel
• Modèles de base en séries temporelles (ARMA, SARMA, ACF, PACF)
• Les séries temporelles non stationnaires (ARIMA, SARIMA)
• Lissage exponentiel
• Prédictions à l’aide de Facebook Prophet

MODULE 4 : DEEP LEARNING ET VISION PAR ORDINATEUR

Durée : 5 jours (35 heures)

Objectifs :

• Comprendre les fondamentaux du Deep Learning avec Python
• Savoir utiliser le Deep Learning pour la classification d’images

Programme :

• Les réseaux de neurones et frameworks python associés (Tensorflow, Keras, Pytorch)
• La fonction d’activation
• La fonction de coût
• La descente de gradient
• L’overfitting et l’underfitting
• L’image et ses traitements (filtres, convolutions)
• Le transfert learning et ses applications (utilisation des modèles tels que MobileNetSSD, Yolo, VGG)
• Le traitement embarqué sur mobile ou raspberry PI

À la fin de chaque module, les connaissances et compétences acquises sont évaluées au travers d’un QCM et d’une étude de cas pratique. La validation de chaque module fait l’objet d’une attestation.

QCM :

• Nombre de questions du QCM : 40
• Validation du passage du QCM :28 bonnes réponses sur 40, soit 70%
• Temps de passage du QCM :1h

Étude de cas :

Modalités : À partir d’une problématique d’entreprise et des informations fournies (jeu de données), le candidat devra proposer une solution technique détaillée et argumentée. Pour cela il utilisera des outils tels que Jupyter Notebook qui permet de développer la solution, analyser les résultats obtenus et d’argumenter ses choix.  Il mettra ainsi en œuvre les connaissances théoriques et techniques (langage de programmation, frameworks…) abordées durant le module.

• Temps de réalisation étude de cas : 3h
• Conditions de validation de l’étude de cas : Le candidat devra démontrer ses capacités à comprendre la problématique du client et à mettre en œuvre les moyens nécessaires pour y apporter une réponse effective. Le candidat devra démontrer son aptitude à argumenter ses choix.
• Notation sur 20 points
• Note minimum du passage de l’étude de cas : 12 points

Certification :

Pour se présenter à la certification, le candidat doit justifier la validation de l’ensemble des modules composant la certification.

La certification finale consiste en la réalisation par le candidat d’un projet final commun aux différents modules permettant de valider l’acquisition de l’ensemble des compétences de cette certification.  Le candidat présente ce projet devant le jury en développant ses choix techniques (langage utilisé, outils de traitement, modèles d’apprentissage, frameworks…) qu’il justifie en fonction des bénéfices pour son projet. Le candidat doit savoir prendre en compte les besoins de son client et pouvoir y répondre en argumentant la méthodologie appliquée. Il commente les difficultés et les succès de mise en place rencontrés.

Le candidat présente et commente sa solution au travers d’une démonstration fonctionnelle. Il présente des axes de développement futurs et tire un bilan de son projet, notamment par l’analyse de l’impact du déploiement de celui-ci pour son client.

• Temps alloués pour l’oral : 20 min de présentation du projet / 20 min d’entretien avec le jury / 10 min de délibération
• Notation sur 20 points
• Note minimum du passage de l’oral : 12 points

Le jury se prononce au terme de l’entretien final sur l’octroi de la certification. Le jury dispose de l’ensemble des notes du candidat (QCM, études de cas), de la présentation du projet final, de l’appréciation objective du/des dispensateur(s) des modules et du parcours professionnel du candidat.