Formation Machine Learning : Algorithmes et mise en pratique

Programme de la formation
Machine Learning : Algorithmes et mise en pratique

• Introduction au Machine Learning et types d'apprentissage

  - Distinguer l'apprentissage supervisé, non supervisé et par renforcement.
  - Identifier les cas d'usage de chaque type d'apprentissage.
  - Définir les concepts de données d'entraînement et de test.

• Préparation des données pour le Machine Learning

  - Nettoyer des jeux de données (valeurs manquantes, outliers).
  - Effectuer l'ingénierie de caractéristiques (feature engineering).
  - Normaliser et standardiser des données numériques.

• Régression linéaire et logistique avec Scikit-learn

  - Implémenter un modèle de régression linéaire.
  - Appliquer la régression logistique pour la classification binaire.
  - Interpréter les coefficients des modèles de régression.

• Classification : SVM et Arbres de décision

  - Utiliser les Support Vector Machines (SVM) pour la classification.
  - Construire des arbres de décision pour des problèmes de classification.
  - Comparer les principes de fonctionnement des SVM et des arbres de décision.

• Évaluation des modèles de classification

  - Calculer la précision, le rappel et le F1-score.
  - Interpréter la matrice de confusion.
  - Utiliser la courbe ROC et l'AUC.

• Validation de modèles et sur/sous-apprentissage

  - Appliquer la validation croisée (cross-validation).
  - Identifier les phénomènes d'overfitting et d'underfitting.
  - Mettre en œuvre des techniques de régularisation.

• Introduction aux Réseaux de neurones avec TensorFlow/PyTorch

  - Décrire l'architecture d'un réseau de neurones simple.
  - Implémenter un réseau de neurones avec TensorFlow ou PyTorch.
  - Configurer les fonctions d'activation et les optimiseurs.

• Réseaux de neurones profonds et cas d'usage

  - Construire des réseaux de neurones profonds (Deep Learning).
  - Appliquer les réseaux de neurones à des problèmes de classification d'images.
  - Gérer les hyperparamètres des réseaux de neurones.

• Sélection d'algorithmes et pipelines ML

  - Sélectionner un algorithme adapté à un problème de régression.
  - Sélectionner un algorithme adapté à un problème de classification.
  - Construire des pipelines de Machine Learning avec Scikit-learn.

• Cas pratique : Prédiction immobilière (Régression)

  - Préparer un jeu de données de caractéristiques immobilières.
  - Entraîner un modèle de régression pour prédire le prix.
  - Évaluer la performance du modèle de prédiction.

• Cas pratique : Détection de fraudes bancaires (Classification)

  - Traiter un jeu de données de transactions bancaires.
  - Entraîner un modèle de classification pour détecter la fraude.
  - Optimiser le modèle pour un déséquilibre de classes.

• Déploiement et monitoring de modèles ML

  - Sérialiser un modèle entraîné (pickle, joblib).
  - Déployer un modèle dans un environnement de production simulé.
  - Mettre en place un monitoring basique de la performance du modèle.