Formation Maîtriser le Machine Learning : méthodes, solutions et applications pratiques

Programme de la formation
Maîtriser le Machine Learning : méthodes, solutions et applications pratiques

• Introduction au Machine Learning

  - Définition et historique du Machine Learning
  - Distinctions IA, ML, Deep Learning, Data Science
  - Cas d'usage et applications concrètes du ML

• Fondamentaux mathématiques et statistiques

  - Rappels d'algèbre linéaire et calcul matriciel
  - Notions de probabilités et statistiques descriptives
  - Compréhension des fonctions de coût et de l'optimisation

• Préparation et exploration des données (partie 1)
• Préparation et exploration des données (partie 2)
• Machine Learning supervisé : Régression

  - Principes de la régression linéaire simple et multiple
  - Modélisation de régression polynomiale
  - Métriques d'évaluation pour la régression (RMSE, MAE, R²)

• Machine Learning supervisé : Classification

  - Principes de la régression logistique
  - Introduction aux machines à vecteurs de support (SVM)
  - Métriques d'évaluation pour la classification (précision, rappel, F1-score)

• Apprentissage non supervisé : Clustering

  - Algorithme K-Means et ses variantes
  - Analyse de la performance des clusters
  - Cas d'usage du clustering (segmentation clients)

• Apprentissage non supervisé : Réduction de dimension

  - Principes de l'Analyse en Composantes Principales (PCA)
  - Applications de la réduction de dimension
  - Visualisation de données de haute dimension

• Arbres de décision et forêts aléatoires

  - Construction et interprétation des arbres de décision
  - Méthodes d'ensemble : Random Forest et Gradient Boosting
  - Avantages et inconvénients des modèles basés sur les arbres

• Évaluation et validation des modèles

  - Cross-validation et techniques de validation
  - Détection et gestion de l'overfitting et underfitting
  - Grilles de recherche d'hyperparamètres (Grid Search, Random Search)

• Pipeline Machine Learning bout en bout

  - Workflow complet d'un projet ML
  - Déploiement et mise en production des modèles
  - Importance de la maintenance et du monitoring des modèles

• Éthique, interprétabilité et perspectives du ML

  - Introduction aux biais et l'équité en ML
  - Interprétabilité des modèles (XAI)
  - Tendances futures du Machine Learning et de l'IA
  === COMPÉTENCE ===
  COMPETENCE_NUMBER: 1
  COMPETENCE_NAME: Mettre en œuvre les algorithmes de Machine Learning
  COMPETENCE_CONTENT: Appliquer les principaux algorithmes de classification, régression et clustering pour résoudre des problèmes de prédiction ou d'analyse de données, en utilisant des bibliothèques ML.
  === COMPÉTENCE ===
  COMPETENCE_NUMBER: 2
  COMPETENCE_NAME: Préparer et explorer des jeux de données
  COMPETENCE_CONTENT: Réaliser le nettoyage, la transformation et la visualisation exploratoire de données brutes, afin de les rendre exploitables et optimisées pour l'apprentissage automatique.
  === COMPÉTENCE ===
  COMPETENCE_NUMBER: 3
  COMPETENCE_NAME: Évaluer et optimiser les performances des modèles ML
  COMPETENCE_CONTENT: Choix et application de métriques d'évaluation pertinentes. Utiliser des techniques de validation croisée et d'optimisation d'hyperparamètres pour améliorer la robustesse et la précision des modèles.
  === COMPÉTENCE ===
  COMPETENCE_NUMBER: 4
  COMPETENCE_NAME: Concevoir un pipeline Machine Learning complet
  COMPETENCE_CONTENT: Structurer l'ensemble du processus de développement ML, de la préparation des données au déploiement du modèle, en intégrant les bonnes pratiques d'ingénierie et d'éthique.