Cette formation intensive de cinq jours s'adresse à des personnes désireuses d'acquérir des compétences opérationnelles et techniques en machine learning pour se lancer dans les métiers de l'intelligence artificielle. 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.

​

Objectifs de la formation

​

Cette formation intensive a pour objectif de : 

- Fournir une entrée dans le domaine très riche de l'intelligence artificielle.

- Fournir une base théorique et pratique solide en machine learning.

- Comprendre les méthodologies et les algorithmes classiques du machine learning.

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

Dates

Du 17 au 21 mars 2025

Lieu

Paris

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. 

​

Rappels de mathématiques 

• Concepts fondamentaux : probabilités, variables aléatoires, distributions (normale, binomiale, etc.)

• Statistiques descriptives : moyenne, médiane, mode, variance, écart-type

• Tests statistiques de base : test t, chi-carré

• Vecteurs et matrices : opérations de base, produits matriciels, transposition

• Déterminants et inverses de matrices

• Valeurs propres et vecteurs propres

​

Mise à niveau en Python

• Introduction rapide à Python (syntaxe de base, structures de contrôle, fonctions)

• Introduction aux bibliothèques essentielles : NumPy, pandas, Matplotlib/Seaborn

• Écriture de scripts simples et manipulation de données avec pandas

• Visualisation de données avec Matplotlib/Seaborn

• Travaux pratiques

​

Introduction au machine learning

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

• Principes du machine learning

• Différentes typologies du machine learning

​

Apprentissage supervisé

• Principes de l'apprentissage supervisé

• Sous-apprentissage et sur-apprentissage

• Métriques de performances

• Choix de modèles

• Régression linéaire

• Régressions Ridge et Lasso

• Régression logistique

• Machines à vecteurs de support (SVM)

• Arbres de décisions

• Méthodes ensemblistes

• Travaux pratiques sous Python

​

Apprentissage non supervisé

• Typologies d'apprentissage non supervisé

• Clustering

• Réduction de dimensionalité

• Détection d'anomalies

• Travaux pratiques sous Python

​

Deep learning

• Spécificités du 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