Implémentation des Modèles Machine Learning

Formation : 14933

RÉFÉRENCE INTERNE DE LA FORMATION :

IBS_IMPL_MACHINE_LEARNING

Description de la formation

Présentation :
Passez à la vitesse supérieure en Machine Learning avec cette formation qui vous guide des fondamentaux à la mise en production de modèles performants.
Maîtrisez les algorithmes supervisés et non supervisés, optimisez vos prédictions et déployez vos solutions dans des contextes réels.
À travers des ateliers pratiques intensifs et un projet final basé sur une problématique d’entreprise, vous transformerez vos compétences en applications concrètes et opérationnelles.

Objectifs :
Assimiler les concepts clés du Machine Learning
Maîtriser l’apprentissage supervisé et non supervisé
Implémenter des modèles ML avec des outils modernes
Optimiser et évaluer les performances des modèles
Déployer des solutions ML en production

Programme :
1 - Introduction au Machine Learning
Distinction entre apprentissage supervisé et non supervisé
Présentation des applications concrètes en entreprise
Étapes clés d’un pipeline ML : données, modèle, évaluation
Gestion des données aberrantes pour des résultats fiables
Travaux pratiques : exploration d’un dataset avec Jupyter
2 - Préparation des Données
Feature Engineering : création de variables pertinentes
Encodage des variables catégoriques et numériques
Normalisation et standardisation des données
Réduction de dimensionnalité avec PCA
Travaux pratiques : préparation d’un jeu de données pour ML
3 - Premiers Modèles Supervisés
Régression linéaire : théorie et cas d’usage
Régression logistique pour la classification binaire
Validation croisée pour une évaluation robuste
Mesures de performance : précision, ROC, AUC
Travaux pratiques : entraînement d’une régression avec Scikit-learn
4 - Algorithmes Avancés de Classification
Machines à vecteurs de support (SVM) : principes et applications
Forêts aléatoires : combinaisons d’arbres décisionnels
K-Nearest Neighbors (KNN) : théorie et mise en œuvre
Critères de choix d’un algorithme selon le problème
Travaux pratiques : classification avec forêts aléatoires
5 - Apprentissage d’Ensemble
Principe des méthodes d’ensemble (bagging, boosting)
Introduction à AdaBoost
Notion de stacking (modèles combinés)
Comparaison des approches selon le cas d’usage
Travaux pratiques : tester plusieurs méthodes d’ensemble sur un jeu de données
6 - Introduction au Deep Learning
Fondamentaux des réseaux de neurones : couches et activation
Implémentation avec TensorFlow et Keras
Optimisation des hyperparamètres pour réseaux neuronaux
Bases des Convolutional Neural Networks (CNN)
Travaux pratiques : création d’un réseau pour la classification d’images
7 - Algorithmes de Clustering
K-means et K-means++ : segmentation non supervisée
Clustering hiérarchique : dendrogrammes et applications
DBSCAN : gestion des clusters de forme irrégulière
Évaluation des clusters : silhouette score, inertie
Travaux pratiques : segmentation de clients avec K-means
8 - Évaluation et Optimisation
Validation croisée avancée pour des modèles robustes
Recherche par grille (Grid Search) pour hyperparamètres
Interprétation des prédictions avec SHAP
Techniques d’optimisation pour des performances maximales
Travaux pratiques : optimisation d’un modèle via Grid Search
9 - Projet : Prédiction Opérationnelle en Entreprise
Identification d’une problématique métier spécifique
Préparation et nettoyage des données pour l’entraînement
Entraînement d’un modèle adapté au cas d’usage
Optimisation des hyperparamètres et évaluation
Déploiement via une API avec suivi des performances
Réalisation et présentation du projet

Destinataires de la formation

Data scientists
Analysts
Développeurs
Professionnels appliquant le ML

Mots-clés en rapport avec la formation

Machine Learning
ML
Scikit-learn
TensorFlow
Keras
Python
Supervisé
Non supervisé
Régression
Classification
Clustering
K-means
DBSCAN
Random Forest
SVM
CNN
PCA
Grid Search
Hyperparamètres
SHAP
API Flask
MLOps
Deep Learning
Feature Engineering
Projet ML entreprise