Intelligence artificielle - Machine learning, méthodes et solutions (4-027)
Description
Objectif général de la formation : Former les participants à utiliser des techniques de Machine Learning adaptées à la résolution de problèmes complexes et à évaluer les performances des modèles déployés. Modalité : Toutes les modalités (présentiel, classe virtuelle et hybride) sont possibles Lieu possible de réalisation : Locaux du bénéficiaire ou locaux d’Ascent Formation, en France métropolitaine et dans les DROM-COM Nombre maximal de participants : 20 Niveau SAME visé : Application (A) Compétences visées : Maîtriser les modèles d’apprentissage supervisé et non supervisé. Construire des représentations abstraites pour la résolution de problèmes complexes. Identifier et mettre en œuvre des solutions adaptées aux problématiques d’entreprise. Évaluer les performances des solutions mises en œuvre et proposer des améliorations.
Objectifs pédagogiques
- Comprendre les différents modèles d’apprentissage.
- Comprendre les différents modèles d’apprentissage.
- Identifier les méthodes d’apprentissages pertinentes pour résoudre un problème.
- Appliquer et évaluer les méthodes identifiées sur un problème.
- Faire le lien entre les différentes techniques d’apprentissage.
Public concerné
Prérequis
Déroulé du programme
Jour 1 : Concepts fondamentaux et introduction aux modèles (6 heures)
- Introduction au Machine Learning (2 heures)
Définition et classification des modèles d’apprentissage (supervisé, non supervisé, semi-supervisé).
Applications concrètes dans divers domaines (santé, finance, marketing).
Études de cas : Identifier les problématiques adaptées au Machine Learning.
- Exploration des données (2 heures)
Préparation et nettoyage des données pour l’apprentissage.
Identification des variables pertinentes.
Travaux pratiques : Manipulation de données avec Python et pandas.
- Premiers modèles d’apprentissage supervisé (2 heures)
Régressions, arbres de décision, k-nearest neighbors.
Méthodes d’évaluation des performances (cross-validation, métriques).
Travaux pratiques : Implémentation de modèles simples.
Jour 2 : Méthodes avancées et apprentissage non supervisé (6 heures)
- Modèles avancés supervisés (3 heures)
Forêts aléatoires, machines à vecteurs de support (SVM).
Introduction aux réseaux de neurones pour l’apprentissage supervisé.
Travaux pratiques : Comparaison des performances des modèles avancés.
- Apprentissage non supervisé (3 heures)
Méthodes de clustering : k-means, DBSCAN.
Réduction de dimensionnalité : PCA, t-SNE.
Travaux pratiques : Réalisation d’un clustering sur des données complexes
Jour 3 : Modélisation et résolution de problèmes (6 heures)
- Modélisation abstraite des problèmes (3 heures)
Identifier les caractéristiques d’un problème métier.
Transposer un problème métier en une problématique adaptée au Machine Learning.
Atelier : Élaborer une modélisation pour un cas concret d’entreprise.
- Implémentation des solutions (3 heures)
Choix des modèles adaptés.
Optimisation des hyperparamètres.
Travaux pratiques : Résolution complète d’un problème métier avec un pipeline ML.
Jour 4 : Évaluation, synthèse et perspectives (6 heures)
- Évaluation des performances et amélioration (3 heures)
Analyse des résultats des modèles : précision, recall, F1-score.
Amélioration des modèles via la régularisation, l’augmentation des données.
Études de cas : Proposer des améliorations pour des solutions existantes
- Synthèse et intégration des méthodes (3 heures)
Comparaison des techniques étudiées.
Discussions sur les évolutions et tendances du Machine Learning.
Travaux pratiques : Réalisation d’un projet final intégré
Informations
Durée
4 jour(s)
24h
2850 € HT
HT
Formations similaires
Migration vers le Cloud
Sur demande
Agents IA — Concevoir des systèmes autonomes avec LangChain et LangGraph - Avancé
Sur demande
AI Act européen — Comprendre vos obligations et vous mettre en conformité - Niveau débutant
Sur demande
Analyse des données avec Microsoft Power BI (4-167)
2200 € HT