🤖 Machine Learning Fundamentals
Durée : 6 jours (flexible selon le rythme)
Niveau : Débutant à intermédiaire
Format : 60% théorie / 40% pratique
🎯 Objectifs de la formation
Cette formation vous permettra de :
Comprendre les fondements du machine learning et du deep learning
Manipuler des outils comme Python, Scikit-learn et TensorFlow
Analyser des données, construire des modèles prédictifs et interpréter les résultats
Appliquer concrètement l’IA à travers des ateliers pratiques sur des datasets réels
🧠Contenu pédagogique
Jour 1 : Introduction au Machine Learning
Types de ML : supervisé, non supervisé, renforcement
Cas d’usage et workflow
Prise en main d’Anaconda et Jupyter Notebook
Jour 2 : Prétraitement des données
Nettoyage, valeurs manquantes, normalisation
Encodage des variables catégorielles
DĂ©coupage en sets de test/validation
Jour 3 : Apprentissage supervisé (1)
RĂ©gression vs classification
Évaluation de modèle : précision, rappel, F1, courbe ROC
Atelier : modélisation par régression linéaire
Jour 4 : Apprentissage supervisé (2)
Arbres de décision, Random Forest, k-NN
Atelier : classification avec données réelles
Jour 5 : Apprentissage non supervisé
Clustering (k-means, DBSCAN), réduction de dimension (PCA, t-SNE)
Détection d’anomalies
Atelier : segmentation non supervisée
Jour 6 : Introduction au Deep Learning
Réseaux de neurones : perceptron, fonctions d’activation
Rétropropagation et types de réseaux (CNN, RNN)
Atelier : création d’un modèle avec TensorFlow & Keras
👥 Public concerné
Étudiants ou professionnels débutants en science des données
Développeurs ou ingénieurs souhaitant évoluer vers l’IA
Chercheurs, analystes ou décideurs curieux de comprendre les bases de l’apprentissage automatique
📚 Prérequis
- PC Portable obligatoire pour suivre la formation
Connaissances de base en programmation (idéalement Python)
Mathématiques niveau lycée : algèbre linéaire, statistiques, dérivées et optimisation
🛠️ Outils utilisés
Python (Jupyter Notebook via Anaconda)
Librairies : Numpy, Pandas, Matplotlib, Seaborn
Scikit-learn, TensorFlow, Keras
Jeux de données publics : Kaggle, UCI Machine Learning Repository