CODE: ITT105
NIVEAU: DÉBUTANT
Les bases du Machine Learning
★★★★★
Les objectifs de la formation
- Comprendre les fondements mathématiques et statistiques du machine learning : algèbre linéaire, probabilités, statistiques descriptives et inférentielles
- Maîtriser les principaux algorithmes de machine learning supervisé et non supervisé et savoir choisir l'algorithme adapté à chaque problème
- Savoir préparer, nettoyer et transformer des données pour entraîner des modèles de qualité
- Évaluer rigoureusement les performances d'un modèle ML : métriques, validation croisée, diagnostic du biais et de la variance
- Utiliser les bibliothèques Python standard du ML : NumPy, Pandas, Scikit-learn, Matplotlib
Programme de la formation
Le programme
1. Fondamentaux mathématiques et statistiques pour le ML
- Algèbre linéaire appliquée au ML : vecteurs, matrices, produit scalaire, décomposition
- Statistiques descriptives : distributions, corrélations, variance, covariance
- Probabilités et théorème de Bayes : base de nombreux algorithmes ML
2. Préparation et ingénierie des données
- Exploration et visualisation des données avec Pandas et Matplotlib/Seaborn
- Nettoyage des données : valeurs manquantes, outliers, encodage des variables catégorielles
- Feature engineering et sélection de variables : PCA, corrélations, importance des features
3. Machine Learning supervisé
- Régression : linéaire, Ridge, Lasso, régression logistique
- Classification : KNN, SVM, arbres de décision, Random Forest, Gradient Boosting (XGBoost)
- Évaluation : accuracy, précision, rappel, F1-score, AUC-ROC, matrice de confusion
4. Machine Learning non supervisé
- Clustering : K-Means, DBSCAN, clustering hiérarchique – métriques d'évaluation
- Réduction de dimension : PCA, t-SNE, UMAP – visualisation de données haute dimension
- Détection d'anomalies : Isolation Forest, One-Class SVM
5. Bonnes pratiques et mise en production
- Pipelines Scikit-learn : enchaînement preprocessing + modèle + évaluation
- Hyperparameter tuning : GridSearchCV, RandomSearchCV, optimisation Bayésienne
- Introduction au déploiement de modèles ML : joblib, pickle, API Flask/FastAPI
Les bases du Machine Learning
Dates et villes
Aucune session inter-entreprise n'est planifiée pour le moment. Veuillez nous contacter pour organiser une session personnalisée.
Méthodes Pédagogiques
- Immersion pratique : Approche privilégiant la montée en compétences opérationnelle immédiate.
- Équilibre théorie/pratique : Programme balancé entre apports conceptuels et mises en situation.
Accessibilité
- Accessible aux personnes en situation de handicap.
- Adaptation des méthodes pédagogiques pour garantir l'inclusion totale.
- Référent handicap dédié pour l'aménagement personnalisé de votre parcours.
Inscription maintenant
Ne manquez pas votre chance! Complétez le formulaire dès aujourd'hui pour vous inscrire rapidement et facilement.
4.9
★★★★★
Basé sur 0 avis
Aucun avis n'a été publié pour cette formation. Soyez le premier à donner votre avis !
Laisser un avis
Partagez votre expérience et donnez une note à cette formation.