S'initier à l'apprentissage automatique : comprendre les grandes familles d'algorithmes, préparer les données, entraîner et évaluer un modèle de prédiction ou de classification, éviter les pièges classiques et cerner les conditions de mise en production.
Objectifs
- Comprendre les principes du machine learning
- Distinguer apprentissage supervisé et non supervisé
- Préparer et découper un jeu de données
- Entraîner un modèle de régression et de classification
- Évaluer la performance d'un modèle
- Éviter le surapprentissage et les biais
- Comprendre les conditions de mise en production
Programme détaillé
Module 1 — Comprendre le machine learning
- Ce que le ML peut et ne peut pas faire
- Apprentissage supervisé et non supervisé
- Panorama des algorithmes
- Cas d’usage en entreprise
Module 2 — Préparer les données
- Qualité, valeurs manquantes et aberrantes
- Encodage et normalisation
- Sélection de variables
- Découpage entraînement / test
Module 3 — Entraîner et évaluer
- Régression : principes et mise en œuvre
- Classification : arbres et méthodes d’ensemble
- Métriques d’évaluation
- Validation croisée
Module 4 — Fiabiliser et déployer
- Surapprentissage et régularisation
- Biais et équité des modèles
- Interprétabilité des résultats
- Conditions et enjeux de la mise en production
Méthodologie pédagogique
Pédagogie active et orientée terrain : apports structurés, exercices appliqués à vos cas réels, études de cas et mises en situation. Chaque participant repart avec un support complet et un plan d'action personnalisé. Les acquis sont évalués en fin de session et une attestation de formation est remise.
Profil de l'intervenant
Consultant data scientist, praticien des projets de machine learning en entreprise.