Formation Maîtriser les fondamentaux du Machine Learning et ses applications concrètes

Programme de la formation
Maîtriser les fondamentaux du Machine Learning et ses applications concrètes

• Introduction au Machine Learning et ses Fondamentaux

  - Définition et historique du Machine Learning (ML)
  - Distinctions entre IA, ML et Deep Learning
  - Les différentes familles de ML : supervisé, non supervisé, par renforcement

• Le Traitement des Données pour le ML (Partie 1)

  - Importance des données : qualité, quantité, éthique
  - Types de données : numériques, catégorielles, textuelles, images
  - Collecte et chargement des données

• Le Traitement des Données pour le ML (Partie 2)

  - Nettoyage des données : valeurs manquantes, aberrantes
  - Normalisation et standardisation des variables
  - Réduction de dimensionnalité (ACP)

• Machine Learning Supervisé : Concepts Clés

  - Définition et applications (classification, régression)
  - Apprentissage et généralisation, sur-apprentissage et sous-apprentissage
  - Métriques d'évaluation (précision, rappel, F1-score, RMSE)

• Algorithmes de Classification Essentiels
• Algorithmes de Régression Essentiels

  - Régression linéaire simple et multiple
  - SVR (Support Vector Regression)
  - Modèles d'ensemble pour la régression (Gradient Boosting)

• Machine Learning Non Supervisé : Découverte de Structures

  - Définition et applications (clustering, association)
  - Algorithmes de clustering : K-Means, DBSCAN
  - Métriques d'évaluation pour le non supervisé

• Introduction au Deep Learning pour le ML

  - Neurones artificiels et réseaux de neurones (MLP)
  - Architectures de réseaux de neurones (CNN, RNN introduction)
  - Applications élémentaires du Deep Learning

• Pipelines ML et MLOps : Intégration et Déploiement
• Optimisation et Interprétabilité des Modèles ML

  - Hyperparamètres et validation croisée
  - Techniques d'optimisation (Grid Search, Random Search)
  - Interprétabilité des modèles (Shap, Lime)

• Cas d'Usage et Applications Industrielles du ML

  - Exemples concrets de ML dans divers secteurs (santé, finance)
  - Identification des problèmes métier résolubles par le ML
  - Études de cas interactives

• Tendances, Éthique et Défis du Machine Learning

  - Les dernières avancées et tendances du ML
  - Considérations éthiques et biais algorithmiques
  - Défis et perspectives d'évolution du Machine Learning