IA & Data

Machine learning – Niveau avancé

2 jour(s) • 14h

Description

Cette formation vise à approfondir les connaissances en machine learning en se concentrant sur l'implémentation des algorithmes d'apprentissage avancés et leur application aux jeux de données. Les participants apprendront à mettre en œuvre des modèles de régression, des méthodes de gradient pour l'apprentissage de modèles complexes, et à traiter des séries temporelles partiellement observées.

Objectifs pédagogiques

Mettre en œuvre des algorithmes d'apprentissage avancés.
Appliquer des modèles de régression à des jeux de données.
Comprendre et utiliser des méthodes de gradient pour l'apprentissage de modèles complexes.
Traiter des séries temporelles partiellement observées en utilisant des techniques avancées.
Analyser des études de cas pour résoudre des problèmes réels en machine learning.

Public concerné

Cette formation s'adresse aux ingénieurs et techniciens ayant des connaissances de base en statistiques ou en machine learning, ainsi qu'une compréhension des notions de probabilités et statistiques.

Prérequis

Les participants doivent avoir des connaissances de base en statistiques ou en machine learning, ainsi qu'une compréhension des notions de probabilités et statistiques. Une expérience préalable avec des modèles de régression serait bénéfique.

Déroulé du programme

Rappels de machine learning (1 heure)

Révion des notions clés : overfitting, biais-variance, validation croisée
Révision des modèles de régression (2 heures)

Révision et approfondissement des modèles de régression (2h)

Régression linéaire, polynomiale, régularisation (Ridge, Lasso)
Choix des variables, gestion de la multicolinéarité
Régression logistique multiclasses
Travaux pratiques : Implémentation de modèles de régression sur un jeu de données métier (Scikit-learn). Évaluation via RMSE, AIC, courbes ROC.

Études de cas et modélisation appliquée (4h)

Étude d’un problème métier (ex. prédiction d’attrition, estimation de coûts)
Analyse exploratoire, nettoyage, transformation des données
Travaux pratiques : Pipeline complet : EDA > Feature engineering > Modélisation > Évaluation. Analyse des biais et interprétabilité (SHAP ou permutation feature importance)

Méthodes de gradient pour l’apprentissage avancé (3h)

Principe de la descente de gradient (batch, mini-batch, stochastic)
Algorithmes : Gradient Boosting, XGBoost, LightGBM
Ajustement d’hyperparamètres, évaluation croisée, grid search
Travaux pratiques : Implémentation XGBoost avec recherche d’hyperparamètres. Comparaison avec régression classique

Apprentissage supervisé sur séries temporelles (4h)

Préparation des données temporelles : stationnarité, décalages, lag features
Approches ARIMA vs ML (Random Forest, LSTM)
Cas d’application : prévision de trafic, de consommation, de demande
Travaux pratiques : Application sur une série réelle (énergie, logistique, etc.). Construction d’un modèle prédictif avec analyse de performance dans le temps