Formation Devenez Ingénieur Machine Learning : Formation Bootcamp Certifiante en IA

Programme de la formation
Devenez Ingénieur Machine Learning : Formation Bootcamp Certifiante en IA

• Introduction au Machine Learning et Python pour la Data Science

  - Présentation des concepts fondamentaux du Machine Learning
  - Introduction à Python et ses bibliothèques (NumPy, Pandas)
  - Environnement de développement (Jupyter Notebooks, Google Colab)

• Préparation et Exploration des Données (EDA)
• Apprentissage Supervisé : Régression Linéaire et Logistique

  - Principes de la régression linéaire et ses cas d'usage
  - Modèle de régression logistique pour la classification binaire
  - Évaluation des modèles de régression et classification

• Apprentissage Supervisé : Arbres de Décision et Forêts Aléatoires
• Apprentissage Supervisé : Machines à Vecteurs de Support (SVM) et KNN
• Apprentissage Non Supervisé : Clustering (K-Means, DBSCAN)

  - Découverte des familles de clustering (K-Means, DBSCAN)
  - Applications du clustering : segmentation client, détection d'anomalies
  - Évaluation des performances de clustering

• Réduction de Dimensionnalité (PCA, t-SNE)
• Optimisation des Modèles et pipelines (Scikit-learn)

  - Pipelines de Machine Learning avec Scikit-learn
  - Optimisation des hyperparamètres (Grid Search, Random Search)
  - Validation croisée et techniques d'évaluation avancées

• Introduction aux Réseaux de Neurones et Deep Learning (TensorFlow/Keras)

  - Fondamentaux des réseaux de neurones artificiels
  - Premiers pas avec TensorFlow et Keras
  - Réseaux de neurones pour la classification d'images (CNN)

• Métriques d'Évaluation, Surapprentissage et Sous-apprentissage

  - Mesures de performance avancées (ROC, PR Curve, F1-score)
  - Identification et gestion du surapprentissage et sous-apprentissage
  - Stratégies de régularisation et d'équilibrage des données

• Déploiement de Modèles ML (MLOps fondamentaux)

  - Principes du MLOps et cycle de vie du modèle
  - Sérialisation et déploiement de modèles (ex: Flask, FastAPI)
  - Monitoring basique de modèles en production

• Projets Pratiques et Cas d'Usage Avancés

  - Application des connaissances sur un projet ML de bout en bout
  - Discussion de cas d'usage réels et défis industriels
  - Tendances émergentes et perspectives en Machine Learning
  ---
  **Compétences**