Objectifs pédagogiques

Comprendre les fondements du Machine Learning, y compris l’histoire, les applications et les modèles de base
Maîtriser le prétraitement des données et entraîner des modèles avec des techniques de mise à l’échelle, validation et fine-tuning
Explorer les techniques avancées, comme les modèles non supervisés et les méthodes ensemblistes
Découvrir les concepts de Deep Learning et appliquer des réseaux de neurones profonds
Utiliser TensorFlow et PyTorch pour traiter des images et des données textuelles

Public cible

Tous publics

Pré-requis

Connaissances solides en Python
Connaissances générales en algèbre linéaire et statistiques

Modalités d’évaluation

L’évaluation des acquis se fait tout au long de la session au travers d’ateliers de mise en pratique des notions et concepts abordés pendant la formation.

Méthodes pédagogiques

Support de cours
Exposés
Cas pratiques

Programme de la formation

La formation se décompose en 6 modules de 0,5 jour chacun :

Module 1 : + Machine Learning 1 (ML1)

Introduction : Histoire rapide de ~1980 au SOTA
Présentation des outils et processus de la formation
Applications communes : Régression / Classification binaire
Models 1 : Modèles Linéaires : Régression linéaire / Régression logistique
Metrics 1 : MSE / Accuracy
Workflow 1 : Séparation des données en jeu d’entraînement et de test

Module 2 : + Machine Learning 2 (ML2)

Workflow 2 : Pipeline, Scaling (Standardisation, normalisation), Validation croisée
Application commune : Classification multi-classes
Metrics 2 : MAE, Erreur Max / Precision, Recall, Rapport de classification, Matrice de confusion
Models 2 : Modèles non-linéaires : K-voisins, Arbres de décision, Machines à vecteurs de support (fonctions de noyau)
Fine-Tuning 1 : Fonction objectif & Régularisation

Module 3 : + Machine Learning 3 (ML3)

Workflow 3 : Ingénierie des caractéristiques, Intégrer une Transformation à un pipeline
Fine-Tuning 2 : GridSearch
Models 3 : Modèles non-supervisés : Clustering (K-Means, DBScan) & Réduction de dimensions (PCA)
Models 4 : Modèles ensemblistes (Forêts aléatoires), Modèles boostés (AdaBoost, XGBoost)
Récapitulatif des notions du Machine Learning avec un exercice de fin de session supplémentaire

Module 4 : + Deep Learning 1 (DL1)

Introduction : Histoire rapide de ~1980 au SOTA
Présentation of d’un Réseau de Neurones (DNN)
Entraînement d’un DNN : Choix de la foncction objectif, de la fonction d’optimisation et de la taille du batch
Exemple avec un DNN codé « à la main dans numpy »
Reproduction de l’exemple et comparaison des performances avec un DNN avec TF-keras

Module 5 : + Deep Learning 2 (DL2)

Présentation des réseaux de neurones convolutifs (CNN)
Introduction à la gestion des images comme données d’entraînement
Augmentation d’images
Transfer-Learning : Utilisation de modèles SOTA déjà entraînés

Module 6 : + Deep Learning 3 (DL3)

Présentation de TF / PyTorch (celui qui n’avait pas été utilisé jusque-là)
Introduction au chargement de données en batch avec les méthodes existantes dans TF / PyTorch
Introduction à la gestion des données texte, au NLP et aux Réseaux de neurones récurrents (RNN)
Récapitulatif des notions du Deep Learning avec un exercice de fin de session supplémentaire.

Programme mis à jour le 7 janvier 2025