Machine Learning

• Resituer le Machine Learning au sein des méthodes de l’intelligence artificielle
• Comprendre les principes du Machine Learning
• Identifier les principales architectures de modèles ML (régression, arbres, SVM, etc.)
• Savoir appliquer les étapes d’un projet de Machine Learning
• Savoir évaluer les modèles de ML
• Identifier les possibilités et limites du Machine Learning

Tout développeur ou personne ayant déjà interagi avec des langages de programmation.

• Avoir une base en algorithmie
• Avoir déjà développé a minima dans un langage de programmation

Jour 1 :

• Rappel des objectifs de la formation et tour de table des attentes des stagiaires
• Intelligence artificielle : définition et contexte
• Présentation des applications
• Présentation des hivers de l’IA et des différents paradigmes
• Définition haut niveau du Machine Learning
• Présentation d’un projet de Machine Learning
• Les différentes étapes et leurs applications

TP : prise en main de la librairie pandas pour manipuler les jeux de données

• Présentation du modèle de régression linéaire
• Présentation des différentes méthodes pour « préprocesser » un jeu de données

TP : application au travers d’un premier modèle de régression linéaire

Jour 2 : 

• Rappel des acquis théoriques de la veille
• Présentation des principaux modèles de Machine Learning et comparaison

TP : application de ces algorithmes en reprenant le TP de la veille

• Présentation des méthodes d’évaluation des modèles
• Présentation des bonnes pratiques en termes d’évaluation au travers de retour d’expériences

TP : reprise des TP précédents en ajoutant la partie évaluation

TP : premier TP de régression supervisé

Jour 3 :

• Rappel des acquis théoriques de la veille
• Zoom sur les autres types d’apprentissage : non supervisé, renforcement, semi-supervisé, etc.
• Présentation des principaux algorithmes non supervisés

TP : Application à un problème non supervisé pour détecter des anomalies

• Présentation des bonnes pratiques pour mettre en production un modèle de Machine Learning

TP :  Mise en service d’un modèle de Machine Learning à l’aide de Fast API

• Présentation du principe d’explicabilité

TP : explicabilité : Présentation des perspectives et limites du Machine Learning

• Conclusions et perspectives

• Présentiel / Virtuelle / Hybride.
• Méthodes : 30% de théorie et 70% de pratique.
• Support de formation :  remis aux stagiaires en format numérique à l’issue de la formation.

• En présentiel : présentation du support de formation, vidéo projecteur, tableau blanc ou paperboard, jeux et outils pédagogiques.
• A distance : présentation du support de formation, outil de visioconférence et outils collaboratifs.
• Le stagiaire aura besoin d’un ordinateur équipé, de préférence, d’une webcam et d’un micro, d’une connexion internet et d’un débit internet suffisant pour suivre la formation dans des conditions optimales.

• Questionnaire de positionnement
• Autoévaluation des acquis au cours des exercices de la formation
• Évaluation des acquis de fin de formation
• Questionnaire de satisfaction en fin de formation
• Feuille d’émargement signée par demi-journée de formation
• Attestation de fin de formation
• Certificat de fin de formation