Formation Data Science : introduction au Machine Learning (ML)

• Qu’est-ce que le Machine Learning ?

• Différence entre statistiques, ML et IA

• Exemples d’applications concrètes

• Cycle de vie d’un projet ML

• Types de données

• Nettoyage des données

• Gestion des valeurs manquantes

• Normalisation et encodage

• Séparation train / test

• Régression linéaire (rappels)

• Régression multiple

• Cas d’usage métiers

• Limites des modèles linéaires

Cas pratique

Prédiction d’une valeur continue (prix, ventes)

• Problématique de classification

• k-plus proches voisins (k-NN)

• Régression logistique

• Arbres de décision (introduction)

Cas pratique

Classification binaire (oui/non, client/churn)

• Différences avec l’apprentissage supervisé

• Cas d’usage

• Clustering (k-means)

• Réduction de dimension (ACP)

Cas pratique 

Segmentation de données clients

• Erreur, précision, rappel

• Matrice de confusion

• Overfitting et underfitting

• Validation croisée (concepts)

• Chaînage des étapes (préparation → modèle → évaluation)

• Bonnes pratiques

• Introduction aux bibliothèques ML (scikit-learn)

Cas pratique

 Construction d’un mini-pipeline ML

• Qualité des données

• Biais et interprétabilité

• ML en production (notions)

• Place du ML dans un projet data

• Introduction au Deep Learning