Accueil Formations Introduction au Machine Learning

Introduction au Machine Learning

Intéressé.e par la formation ?
Contactez-nous

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.