Programme de Formation
Initiation au Machine Learning (3 Jours)

Objectif de la formation :

• Comprendre les principes fondamentaux du Machine Learning pour appréhender les bases théoriques et pratiques.

• Manipuler des données en utilisant des outils adaptés pour le prétraitement et l’analyse.

• Mettre en œuvre des algorithmes de base afin d’appliquer le Machine Learning à des cas concrets.

• Évaluer les performances des modèles à travers des expérimentations et des cas pratiques.

INTER ENTREPRISE

– Présentiel dans nos locaux ou les vôtres

– Distanciel Online

Retrouvez-nous sur :

Strasbourg, Lille, Lyon, Reims, Genève, Bruxelles, Luxembourg, Frankfort, Karlsruhe, Berlin, Metz

Prix : 2282 € H.T.
Dates, lieux et inscription
INTRA

(Appelez-nous pour obtenir une offre)

Jour 1 : Introduction et Fondamentaux

Objectifs pédagogiques :

• Comprendre les concepts clés du Machine Learning

• Identifier les différentes catégories d’apprentissage

• Acquérir les bases mathématiques et statistiques nécessaires

• Manipuler des données avec Python

Matinée : Comprendre le machine learning

• Définition et enjeux du Machine Learning

• Différences entre IA, Machine Learning et Deep Learning

• Types d’apprentissage : supervisé, non supervisé, par renforcement

• Exemples d’applications réelles

Après-midi : Fondamentaux mathématique et outils

• Statistiques essentielles : moyenne, variance, distributions

• Algèbre linéaire : vecteurs, matrices, transformations

• Notions de probabilité et introduction à la fonction de coût

• Prise en main de Python et des bibliothèques Pandas, NumPy et Matplotlib

• Atelier pratique : manipulation et visualisation de données

Jour 2 : Apprentissage supervisé et traitement des données

Objectifs pédagogiques :

• Comprendre l’apprentissage supervisé et ses modèles

• Nettoyer, explorer et préparer un jeu de données

• Implémenter et évaluer des modèles simples en Python

Matinée : Préparation des données

• Chargement des datasets et exploration des variables

• Nettoyage des données (valeurs manquantes, outliers, normalisation)

• Feature engineering : transformation et sélection des caractéristiques

• Visualisation et corrélation des données

Après-midi : Modèle supervisés et évaluation

•  Régression linéaire et logistique

•  Arbres de décision et forêts aléatoires

• Métriques de performance : précision, rappel, F1-score, MSE

• Atelier pratique : entraînement et évaluation d’un modèle sur un dataset réel

Jour 3 : Apprentissage non supervisé et mise en pratique

Objectifs pédagogiques :

• Comprendre les modèles d’apprentissage non supervisé

• Expérimenter des techniques de clustering et de réduction de dimension

• Développer un mini-projet de Machine Learning

Matinée : Apprentissage non supervisé

• Introduction au clustering : K-Means, DBSCAN

• Réduction de dimension avec PCA

• Cas d’usage : segmentation client et analyse de données

Après-midi : Projet et approfondissement

• Mise en place d’un pipeline ML complet

• Hyperparamétrage et validation croisée

• Initiation aux réseaux de neurones avec TensorFlow/Keras

• Étude de cas : Prédiction des prix de l’immobilier

• Discussion et perspectives : vers le Deep Learning

Méthodologie

• Approche progressive : alternance entre théorie et pratique

• Travaux pratiques : exercices sur des datasets réels

• Étude de cas : mise en application des concepts sur un projet

• Interaction et discussions : échanges autour des enjeux et bonnes pratiques

 À l’issue de la formation, les participants auront acquis une compréhension solide des bases du Machine Learning et seront capables de développer leurs propres modèles sur des problématiques variées.