Cette formation intensive permet d'acquérir des compétences à la fois théoriques et opérationnelles en machine learning. Elle est conçue pour fournir une compréhension approfondie des principes, des méthodologies et des algorithmes classiques du machine learning, ainsi que de leurs applications pratiques dans des cas d'usage réels. Elle est destinée, en particulier, aux profils ayant une expertise métier et qui voudraient la compléter avec des compétences en machine learning, ainsi qu'aux personnes en reconversion professionnelle qui souhaitent se lancer dans une nouvelle carrière en intelligence artificielle.

​

Objectifs de la formation

​

Cette formation intensive permet de :

• Comprendre le paysage de l'intelligence artificielle et ses différentes approches.

• Acquérir une base théorique et pratique solide en machine learning.

• Maîtriser les algorithmes classiques du machine learning.

• Apprendre les meilleures pratiques pour la préparation des données.

• Comprendre les le deep learning et les techniques à l'état de l'art.

• Développer des compétences opérationnelles en Python pour aborder des cas d'usage réels.

Dates

Du 14 au 18 avril 2025

Lieu

En ligne

Programme de la formation

Le programme alterne entre partie théorique, au cours de laquelle les principes et les algorithmes de machine learning sont expliqués, et partie pratique qui consiste en une mise en oeuvre sous Python. 

​

Les participants qui n'ont pas les bases nécessaires en Python et en maths auront droit a une phase de mise à niveau en asynchrone, avant le début de la formation. ​

​

Introduction au machine learning

• Qu'est-ce que l'intelligence artificielle ?

• Approches de l'intelligence artificielle

• Principes du machine learning

• Différentes typologies du machine learning

​

Apprentissage supervisé

• Principes de l'apprentissage supervisé

• Sous-apprentissage et sur-apprentissage

• Compromis biais-variance

• Sélection de modèles

• Régression linéaire

• Régressions Ridge et Lasso

• Régression logistique

• Machines à vecteurs de support (SVM)

• Arbres de décisions

• Méthodes ensemblistes et random forests

• Boosting

• Travaux pratiques sous Python

​

Apprentissage non supervisé

• Typologies d'apprentissage non supervisé

• Clustering

• Réduction de dimensionalité

• Détection d'anomalies

• Travaux pratiques sous Python

​

Qualité des données et des modèles

• Normalisation des données

• Traitement des outliers

• Données déséquilibrées

• Traitement des données manquantes

• Calibration de modèle

​

Deep learning

• Qu'est-ce que le deep learning ?

• Réseaux de neurones artificiels

• Entraînement des réseaux de neurones artificiels

• Rétropropagation du gradient

• Réseaux de neurones convolutifs

• Réseaux de neurones récurrents

• Transformers

• Modèles génératifs

• Applications sous PyTorch​

​

Projet final