Programme de la formation
Formation complète intelligence artificielle et machine learning

• Introduction au Machine Learning (ML)

  - Définition et histoire du Machine Learning
  - Types de Machine Learning : supervisé, non supervisé, par renforcement
  - Applications concrètes du ML dans l'industrie
  - Le cycle de vie d'un projet ML

• Fondamentaux Mathématiques pour le ML (Rappels)

  - Algèbre linéaire : vecteurs, matrices, opérations
  - Statistiques descriptives : moyenne, médiane, écart-type, variance
  - Probabilités : concepts de base, distributions
  - Introduction aux fonctions de coût et d'optimisation

• Environnement de Développement Python pour le ML

  - Installation de Python et des IDE (Jupyter, VS Code)
  - Manipulation de données avec NumPy et Pandas
  - Visualisation de données avec Matplotlib et Seaborn
  - Gestion des environnements virtuels

• Préparation et Nettoyage des Données

  - Importation et inspection des jeux de données
  - Gestion des valeurs manquantes et des doublons
  - Normalisation et standardisation des données
  - Encodage des variables catégorielles (One-Hot, Label Encoding)

• Algorithmes de Régression Linéaire et Logistique
• Principes des Modèles à Base d'Arbres

  - Arbres de décision : construction, élagage
  - Forêts aléatoires : principe et avantages
  - Gradient Boosting : XGBoost, LightGBM
  - Interprétabilité des modèles basés sur les arbres

• Algorithmes de Classification et Clustering
• Évaluation et Métriques des Modèles

  - Train/Test Split et validation croisée
  - Métriques de classification : précision, rappel, F1-score
  - Courbe ROC et AUC
  - Métriques de régression : MSE, RMSE, R²

• Hyperparamétrage et Optimisation des Modèles

  - Les concepts de biais et variance
  - Surapprentissage et sous-apprentissage
  - Recherche par grille (GridSearchCV) et recherche aléatoire (RandomizedSearchCV)
  - Techniques de régularisation (L1, L2)

• Introduction au Pré-traitement Avancé et Feature Engineering
• Concepts d'Industrialisation et Déploiement (Base)

  - Bonnes pratiques de codage pour le ML
  - Sauvegarde et chargement de modèles
  - Introduction aux concepts de déploiement (API, conteneurisation)
  - Gestion de versions (Git)

• Projet Pratique et Cas d'Étude

  - Réalisation d'un projet ML de bout en bout
  - Application des connaissances acquises
  - Analyse et interprétation des résultats
  - Présentation synthétique du projet