Applications de l’apprentissage automatique en ingénierie
L'intelligence artificielle (IA) est devenue un argument de vente de premier plan, que vous souhaitiez acheter un simple grille-pain ou un robot de chaîne de montage avancé. L'objectif de ce…
Nous offrons un éventail de modules de formation qui peuvent être combinés et personnalisés agin de développer votre propre session sur mesure.
Nous vous invitons à consulter ce catalogue en suivant le lien correspondant le mieux à votre champ d’application.
L'intelligence artificielle (IA) est devenue un argument de vente de premier plan, que vous souhaitiez acheter un simple grille-pain ou un robot de chaîne de montage avancé. L'objectif de ce…
La variation est présente dans chaque expérience. Découvrez les techniques DoE pour contrôler la variation et maximiser la qualité des données. Cet atelier présente les techniques classiques pour concevoir des expériences efficaces ainsi que les outils pour analyser leurs résultats. Les principes de calcul de la taille de l'échantillon, les stratégies pour éliminer les sources indésirables de variabilité comme l'utilisation de blocs et de contrôles, ainsi que les plans d'expériences les plus couramment utilisés sont abordés. L'analyse statistique des expériences planifiées est progressivement couverte du test t utilisée à l'analyse de la variance (ANOVA).
Apprenez les plans d'expérience avancés pour tenir compte de divers types de contraintes expérimentales telles que le temps, les ressources disponibles, l'hétérogénéité des matériaux, les restrictions de randomisation lorsque certains facteurs sont plus difficiles ou coûteux à modifier que d'autres, les différentes tailles d'unités expérimentales ainsi que les mesures répétées. Dans ce cours, la construction de plans d'expérience avancés et leur analyse statistique sont abordées à l'aide d'études de cas réels.
Les données métagénomiques présentent des caractéristiques spécifiques qui nécessitent des méthodes statistiques adaptées. Découvrez les outils statistiques les plus couramment utilisés dans ce domaine. La formation débute par un rappel des tests d'hypothèses, des risques associés, de la multiplicité et de la manière de les contrôler. Apprenez ensuite quelles sont les spécificités et les problématiques des données génomiques. La formation revient sur les tests classiques de comparaison de groupes (ANOVA, MANOVA) et leur extension aux tests adaptés aux données génomiques (ANOSIM et PERMANOVA). Les outils de visualisation des données et le choix d'une métrique de distance sont également abordés.
La régression linéaire est une méthode utilisée pour modéliser la relation entre une variable dépendante et une ou plusieurs variables indépendantes en ajustant une équation linéaire aux données observées. La création d'un modèle de régression avec des logiciels statistiques est devenue simple. Cependant, l'interprétation des résultats du logiciel et la création d'un bon modèle ne sont pas des tâches simples. Découvrez la modélisation statistique en mettant l'accent sur les modèles linéaires. Qu'est-ce qu'un modèle ? Estimation et interprétation des coefficients du modèle. Gestion des prédicteurs et des interactions continus et catégoriels. Évaluation des performances du modèle : explicatif ou prédictif. Pièges courants et meilleures pratiques.