Formation Maîtriser les fondamentaux du Machine Learning et ses applications concrètes

01.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

02.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

03.Le Traitement des Données pour le ML (Partie 2)

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

04.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)

05.Algorithmes de Classification Essentiels

06.Algorithmes de Régression Essentiels

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

07.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

08.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

09.Pipelines ML et MLOps : Intégration et Déploiement

10.Optimisation et Interprétabilité des Modèles ML

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

11.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

12.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