Formation Devenir Ingénieur Machine Learning : Carrière Flexi-Temps

Programme de la formation
Devenir Ingénieur Machine Learning : Carrière Flexi-Temps

• Introduction au Machine Learning et ses applications

  - Définition du Machine Learning et concepts clés (apprentissage supervisé/non supervisé/par renforcement)
  - Panorama des applications du ML (vision par ordinateur, NLP, finance, santé)
  - Présentation de l'environnement Python pour le ML (Jupyter Notebook, Colab)

• Fondamentaux de Python pour l'IA

  - Rappels sur les structures de données Python (listes, dictionnaires, tuples)
  - Fonctions, classes et objets en Python
  - Manipulation de données avec NumPy (tableaux, opérations matricielles)

• Analyse et préparation des données avec Pandas

  - Introduction à Pandas (DataFrame, Series)
  - Importation et exploration de données (CSV, Excel)
  - Nettoyage des données (valeurs manquantes, doublons, types de données)

• Visualisation des données avec Matplotlib et Seaborn

  - Création de graphiques élémentaires (histogrammes, nuages de points, courbes)
  - Visualisation de distributions et de corrélations
  - Personnalisation et interprétation des graphiques

• Introduction aux algorithmes d'apprentissage supervisé
• Modèles d'apprentissage supervisé: Arbres et Forêts
• Algorithmes d'apprentissage non supervisé: Clustering

  - Introduction au clustering (définition, applications)
  - K-Means: principes, choix du nombre de clusters
  - Concepts de DBNScan et Hierarchical Clustering

• Évaluation des modèles de Machine Learning

  - Métriques de classification (précision, rappel, F1-score, courbe ROC)
  - Métriques de régression (MSE, MAE, R-squared)
  - Cross-validation et validation hold-out

• Pipeline de Machine Learning avec Scikit-learn

  - Présentation de la librairie Scikit-learn
  - Construire un pipeline complet (prétraitement, modélisation, évaluation)
  - Feature Scaling et encodage des variables catégorielles

• Introduction au Deep Learning et TensorFlow/Keras

  - Différence ML vs Deep Learning, neurones artificiels
  - Architectures de réseaux de neurones (MLP, couches denses)
  - Utilisation de Keras pour construire un premier modèle de classification

• Préparation à l'implémentation et déploiement basique

  - Sérialisation de modèles (pickle, joblib)
  - Notions de déploiement (API Flask/FastAPI, conteneurisation Docker)
  - Bonnes pratiques de code et gestion de projet ML

• Éthique, biais et tendances futures en ML

  - Biais des algorithmes et équité en IA
  - Explicabilité des modèles (XAI) et interprétabilité
  - Tendances émergentes (AutoML, MLOps, IA générative)