Formation Maîtriser le Machine Learning : méthodes, solutions et applications pratiques

01.Introduction au Machine Learning

• —Définition et historique du Machine Learning
• —Distinctions IA, ML, Deep Learning, Data Science
• —Cas d'usage et applications concrètes du ML

02.Fondamentaux mathématiques et statistiques

• —Rappels d'algèbre linéaire et calcul matriciel
• —Notions de probabilités et statistiques descriptives
• —Compréhension des fonctions de coût et de l'optimisation

03.Préparation et exploration des données (partie 1)

04.Préparation et exploration des données (partie 2)

05.Machine Learning supervisé : Régression

• —Principes de la régression linéaire simple et multiple
• —Modélisation de régression polynomiale
• —Métriques d'évaluation pour la régression (RMSE, MAE, R²)

06.Machine Learning supervisé : Classification

• —Principes de la régression logistique
• —Introduction aux machines à vecteurs de support (SVM)
• —Métriques d'évaluation pour la classification (précision, rappel, F1-score)

07.Apprentissage non supervisé : Clustering

• —Algorithme K-Means et ses variantes
• —Analyse de la performance des clusters
• —Cas d'usage du clustering (segmentation clients)

08.Apprentissage non supervisé : Réduction de dimension

• —Principes de l'Analyse en Composantes Principales (PCA)
• —Applications de la réduction de dimension
• —Visualisation de données de haute dimension

09.Arbres de décision et forêts aléatoires

• —Construction et interprétation des arbres de décision
• —Méthodes d'ensemble : Random Forest et Gradient Boosting
• —Avantages et inconvénients des modèles basés sur les arbres

10.Évaluation et validation des modèles

• —Cross-validation et techniques de validation
• —Détection et gestion de l'overfitting et underfitting
• —Grilles de recherche d'hyperparamètres (Grid Search, Random Search)

11.Pipeline Machine Learning bout en bout

• —Workflow complet d'un projet ML
• —Déploiement et mise en production des modèles
• —Importance de la maintenance et du monitoring des modèles

12.Éthique, interprétabilité et perspectives du ML

• —Introduction aux biais et l'équité en ML
• —Interprétabilité des modèles (XAI)
• —Tendances futures du Machine Learning et de l'IA
• —=== COMPÉTENCE ===
• —COMPETENCE_NUMBER: 1
• —COMPETENCE_NAME: Mettre en œuvre les algorithmes de Machine Learning
• —COMPETENCE_CONTENT: Appliquer les principaux algorithmes de classification, régression et clustering pour résoudre des problèmes de prédiction ou d'analyse de données, en utilisant des bibliothèques ML.
• —=== COMPÉTENCE ===
• —COMPETENCE_NUMBER: 2
• —COMPETENCE_NAME: Préparer et explorer des jeux de données
• —COMPETENCE_CONTENT: Réaliser le nettoyage, la transformation et la visualisation exploratoire de données brutes, afin de les rendre exploitables et optimisées pour l'apprentissage automatique.
• —=== COMPÉTENCE ===
• —COMPETENCE_NUMBER: 3
• —COMPETENCE_NAME: Évaluer et optimiser les performances des modèles ML
• —COMPETENCE_CONTENT: Choix et application de métriques d'évaluation pertinentes. Utiliser des techniques de validation croisée et d'optimisation d'hyperparamètres pour améliorer la robustesse et la précision des modèles.
• —=== COMPÉTENCE ===
• —COMPETENCE_NUMBER: 4
• —COMPETENCE_NAME: Concevoir un pipeline Machine Learning complet
• —COMPETENCE_CONTENT: Structurer l'ensemble du processus de développement ML, de la préparation des données au déploiement du modèle, en intégrant les bonnes pratiques d'ingénierie et d'éthique.