Accueil >> Liste des formations >> Licence d’essai
Traitement du signal pour le Data Science
Public
La formation « Traitement du signal pour le Data Science » est destinée aux techniciens/ingénieurs travaillants sur des projets nécessitant l’utilisation des outils de traitement du signal pour établir des modèles de prédiction et de classification basés sur des signaux de divers origines (vibratoires, électriques, etc.)
Prérequis
La connaissance de base d’un langage de programmation (e.g. C, Python, Matlab, etc.) et des notions en statistique est conseillée.
Objectifs de la formation
Acquérir les bases fondamentales dans le domaine du traitement numérique du signal et d’apprentissage machine
Savoir filtrer et extraire de l’information pertinente à partir d’un signal
Savoir développer des modèles d’apprentissage machine pour classifier des signaux
Comprendre les principes algorithmiques des outils utilisés, et savoir comment les mettre en œuvre
Application sur des signaux réels provenant de différents domaines : signaux vibratoires, signaux biomédicaux, signaux électriques, etc.
Public
La formation « Traitement du signal pour le Data Science » est destinée aux techniciens/ingénieurs travaillants sur des projets nécessitant l’utilisation des outils de traitement du signal pour établir des modèles de prédiction et de classification basés sur des signaux de divers origines (vibratoires, électriques, etc.)
Prérequis
La connaissance de base d’un langage de programmation (e.g. C, Python, Matlab, etc.) et des notions en statistique est conseillée.
Objectifs de la formation
Acquérir les bases fondamentales dans le domaine du traitement numérique du signal et d’apprentissage machine
Savoir filtrer et extraire de l’information pertinente à partir d’un signal
Savoir développer des modèles d’apprentissage machine pour classifier des signaux
Comprendre les principes algorithmiques des outils utilisés, et savoir comment les mettre en œuvre
Application sur des signaux réels provenant de différents domaines : signaux vibratoires, signaux biomédicaux, signaux électriques, etc.
Contenu
Introduction et opérateurs de base (corrélation, convolution, etc.)
Représentation des signaux (temporel, fréquentiel et temps-fréquence)
Passage au numérique (échantillonnage, quantification et théorème de Shannon)
Machine learning appliqué aux signaux
Apprentissage supervisée
Réduction de dimension
Entrainement et validation des modèles d’apprentissage
Exemples de chaînes de traitements complètes (de la mesure jusqu’au déploiement)
Validation
A la fin de la formation : questionnaire d’évaluation des connaissances portant sur les principaux points du programme.
Méthode et moyens
Les concepts théoriques sont illustrés au travers de nombreux exemples, exercices, études de cas et simulation sur logiciel.
Animation
Ali Moukadem, maître de conférences à l’Institut de recherche en informatique, mathématiques, automatique et signal (IRIMAS) à l’Université de Haute-Alsace.
Représentation des signaux (temporel, fréquentiel et temps-fréquence)
Passage au numérique (échantillonnage, quantification et théorème de Shannon)
Machine learning appliqué aux signaux
Apprentissage supervisée
Réduction de dimension
Entrainement et validation des modèles d’apprentissage
Exemples de chaînes de traitements complètes (de la mesure jusqu’au déploiement)
A la fin de la formation : questionnaire d’évaluation des connaissances portant sur les principaux points du programme.
Les concepts théoriques sont illustrés au travers de nombreux exemples, exercices, études de cas et simulation sur logiciel.
Animation
Ali Moukadem, maître de conférences à l’Institut de recherche en informatique, mathématiques, automatique et signal (IRIMAS) à l’Université de Haute-Alsace.
Organisation
Inscription : possible jusqu’à 3 jours avant le démarrage de la session.
Durée : 3 jours, soit 21 heures.
Frais de formation
1 210 €
Organisation
Inscription : possible jusqu’à 3 jours avant le démarrage de la session.
Durée : 3 jours, soit 21 heures.
Frais de formation
1 210 €