Machine learning avec Python
Domaine : Tech. Niveau : Avancé. Durée : 125 heures. 25 modules répartis en 5 chapitres. Tarif : 2190 euros. Formation à distance avec modules, exercices corrigés, questionnaires et manuel. Attestation de fin de formation délivrée à l’issue du parcours.
Construisez vos modèles de machine learning en Python : préparation des données, algorithmes et évaluation, sur de vrais jeux de données. Chaque semaine, un exercice est repris avec votre formateur en classe virtuelle. À la fin, vous recevez votre certificat AcadémIA Pro.
Objectifs pédagogiques
Maîtriser les algorithmes de Machine Learning supervisés et non supervisés en Python. Concevoir et optimiser des pipelines de données complets avec Scikit-learn, TensorFlow et Keras. Déployer des modèles de Machine Learning en production et évaluer leurs performances avec des métriques avancées.
Prérequis
Bonne maîtrise de Python (fonctions, classes, bibliothèques), connaissances solides en statistiques et algèbre linéaire, expérience avec NumPy et Pandas, notions de base en analyse de données.
Public visé
Data scientists junior, développeurs Python souhaitant se spécialiser en IA, ingénieurs data cherchant à approfondir leurs compétences en modélisation prédictive et apprentissage automatique.
Programme détaillé
Chapitre 1 — Préparer
- 1.1 Outils et notebooks reproductibles
- 1.2 Explorer un jeu de données avec pandas
- 1.3 Préparer les variables et éviter les fuites de données
- 1.4 Construire un pipeline avec scikit-learn
- 1.5 Synthèse de pratique du chapitre 1
Chapitre 2 — Apprentissage supervisé
- 2.1 Régression linéaire et régularisation
- 2.2 Classification : régression logistique et seuil de décision
- 2.3 Arbres de décision et forêts aléatoires
- 2.4 Gradient boosting : régler et comparer
- 2.5 Synthèse de pratique du chapitre 2
Chapitre 3 — Évaluer
- 3.1 Validation croisée et métriques adaptées
- 3.2 Classes déséquilibrées : un cas de détection de fraude
- 3.3 Optimiser les hyperparamètres sans se tromper
- 3.4 Expliquer un modèle : importance et valeurs SHAP
- 3.5 Synthèse de pratique du chapitre 3
Chapitre 4 — Autres méthodes
- 4.1 Partitionnement : segmenter des clients
- 4.2 Réduction de dimension
- 4.3 Premier réseau de neurones avec PyTorch
- 4.4 Classer du texte : de TF-IDF aux embeddings
- 4.5 Synthèse de pratique du chapitre 4
Chapitre 5 — En production
- 5.1 Suivre ses expériences et versionner ses modèles
- 5.2 Servir un modèle par une API
- 5.3 Détecter la dérive et décider de réentraîner
- 5.4 Synthèse de pratique du chapitre 5
- 5.5 La pratique de toute la formation, l'examen final et l'exemple de pratique choisi par le stagiaire