Description
- Approche pratique avec des études de cas concrets.
- Utilisation d’outils spécialisés en R ou Python.
- Code et notebooks fournis.
- Focus sur l’interprétabilité des modèles pour une prise de décision éclairée.
- Ateliers collaboratifs pour appliquer les concepts à des problématiques concrètes des apprenants.
Tarif : Sur devis
Objectifs de la formation
À l’issue de la formation, les participants seront en mesure de :
- Comprendre les concepts fondamentaux du machine learning
- Préparer, nettoyer et explorer un jeu de données pour l’entraînement d’un modèle
- Construire, entraîner et évaluer des modèles de régression et de classification
- Utiliser les principales bibliothèques de l’écosystème Python ou R
- Identifier les cas d’usage pertinents du ML dans leur propre contexte professionnel
Profil des béneficiaires
Pour qui
- Data Scientists et Data Analysts souhaitant approfondir leurs compétences en machine learning.
- Chefs de projet ou responsables métiers.
- Statisticiens ou économètres.
- Décideurs souhaitant comprendre les enjeux et limites des modèles de machine learning.
Prérequis
- Connaissances de base en statistiques (moyenne, variance, régression linéaire).
- Expérience avec R ou Python.
- Matériel : Ordinateur portable
Contenu de la formation
-
Jour 1 : Fondamentaux du Machine Learning
- Introduction : qu’est-ce que le ML ? Panorama, vocabulaire, cas d’usage
- L’écosystème Python (NumPy, pandas, premiers pas avec scikit-learn ) ou R
- Les types d’apprentissage : supervisé, non supervisé, renforcement
- Atelier : chargement, nettoyage et exploration d’un jeu de données
- Clustering et réduction de dimension (k-means, PCA)
- Atelier : exploration d’un jeu de données
- Quiz de validation et synthèse du jour
-
Jour 2 : Construire et entraîner ses premiers modèles d’apprentissage supervisé
- Régression, classification : le principe de l’apprentissage supervisé
- Régression linéaire : théorie et mise en pratique
- Évaluation d’un modèle de machine learning
- Atelier : entraîner son premier modèle de régression
- Classification à l’aide d’arbres de décision, forêts aléatoires et méthodes ensemblistes
- Atelier : classification d’image
- Synthèse du jour
-
Jour 3 : Réseaux de neurones et mise en application sur un cas d’étude
- Les réseaux de neurones, et leur mise en application en apprentissage supervisé : mise en pratique du perceptron multi-couche, sensibilisation aux hyper-paramètres, introduction aux modèles de deep learning
- Analyse de la problématique, des données disponibles
- Nettoyage et préparation des données
- Mise en place de plusieurs modèles de machine learning
- Comparaison des modèles (qualité prédictive, interprétation…)
- Feuille de route personnelle, ressources pour aller plus loin, évaluation à chaud
Équipe pédagogique
-
Julien JACQUES
Professeur
Suivi de l’exécution et évaluation des résultats
- Évaluation : QCM en fin de module + projet pratique (ex : prévision sur un jeu de données fourni par l’entreprise).
- Attestation de formation remise à l’issue des 3 jours, incluant les compétences acquises.
Ressources techniques et pédagogiques
- Pédagogie active : Alternance de cours théoriques (30%) et d’ateliers pratiques (70%).
- Supports : Slides, scripts R ou pyhton, jeux de données réels.
Accessibilité
- Des aménagements peuvent être étudiés afin d’adapter les modalités pédagogiques et les conditions de formation aux besoins spécifiques de chacun.