Formation Machine Learning appliqué à l'ingénierie

Leçon 1 • Qu'est-ce que l'apprentissage automatique

Définit le ML, le distingue de la programmation traditionnelle et établit sa relation avec l'IA et la science des données. Établit le vocabulaire utilisé tout au long du cours.

Leçon 2 • Paradigmes d'apprentissage fondamentaux

Oppose l'apprentissage supervisé, non supervisé et par renforcement avec des exemples concrets. Permet aux étudiants de faire correspondre les types de problèmes au paradigme d'apprentissage correct.

Leçon 3 • Le cycle de vie d'un projet de ML

Décrit le flux de travail de bout en bout, de la formulation du problème au déploiement du modèle et à la surveillance. Définit les attentes concernant la portée technique complète couverte dans les chapitres suivants.

Leçon 4 • Mathématiques essentielles pour le ML

Revise les concepts d'algèbre linéaire, de calcul différentiel et intégral, de probabilités et de statistiques qui sous-tendent les algorithmes de ML. Fournit la maîtrise quantitative nécessaire pour l'étude ultérieure des algorithmes.

Leçon 1 • Analyse exploratoire des données

Applique des résumés statistiques et des visualisations pour découvrir les distributions, les valeurs aberrantes et les relations. Éclaire les stratégies de prétraitement et d'ingénierie des caractéristiques dans les sections suivantes.

Leçon 2 • Nettoyage et imputation des données

Traite les valeurs manquantes, les doublons, les formats incohérents et le bruit dans les jeux de données bruts. Assure l'intégrité des données d'entraînement avant l'ajustement du modèle.

Leçon 3 • Construction de pipelines de données reproductibles

Conçoit des pipelines automatisés et gérés en versions qui appliquent des transformations de manière cohérente entre les divisions. Soutient l'expérimentation fiable et le déploiement en production.

Leçon 4 • Collecte et approvisionnement des données

Examine les méthodes de collecte de données à partir de bases de données, d'API, d'extraction de données web et de capteurs. Fonde les décisions d'approvisionnement en données sur des exigences de qualité et de représentativité.

Leçon 1 • Évaluation et sélection de modèles

Applique la validation croisée, les métriques de performance et les tests statistiques pour comparer les modèles objectivement. Empêche le surapprentissage et guide la sélection finale du modèle.

Leçon 2 • Régression linéaire et logistique

Dérive la régression linéaire à partir des principes fondamentaux et l'étend à la régression logistique pour la classification. Établit la base de la fonction de perte et de la descente de gradient utilisée par tous les modèles ultérieurs.

Leçon 3 • Arbres de décision et modèles basés sur des règles

Explique les critères de division des arbres, l'élagage et les avantages en termes d'interprétabilité. Sert de base aux méthodes d'ensemble introduites ensuite.

Leçon 4 • Méthodes d'ensemble

Couvre le bagging, le boosting et le stacking pour réduire la variance et le biais au-delà des limites d'un seul modèle. Équipe les étudiants des algorithmes prêts à l'emploi les plus compétitifs pour les données tabulaires.

Leçon 1 • Détection d'anomalies et de valeurs aberrantes

Introduit la détection d'anomalies statistique, basée sur la distance et basée sur un modèle pour le contrôle qualité et la détection de défauts. Directement applicable à la fabrication et à la surveillance des infrastructures.

Leçon 2 • Techniques de réduction de dimensionnalité

Applique l'ACP, le t-SNE et l'UMAP pour réduire l'espace des caractéristiques tout en préservant la structure. Améliore la visualisation, la vitesse d'entraînement et la réduction du bruit dans les jeux de données à haute dimensionnalité.

Leçon 3 • Apprentissage des règles d'association

Extrait les itemsets fréquents et les règles d'association à l'aide des algorithmes Apriori et FP-Growth. Soutient les cas d'utilisation de recommandation, de regroupement de maintenance et d'optimisation de processus.

Leçon 1 • Réglage des hyperparamètres et recherche d'architecture

Applique la recherche par grille, la recherche aléatoire et l'optimisation bayésienne pour trouver des configurations de réseau optimales. Réduit les essais-erreurs et accélère les cycles de développement de modèles.

Leçon 2 • Fondamentaux des réseaux de neurones feedforward

Dérive le perceptron, l'architecture multicouche et l'algorithme de rétropropagation étape par étape. Établit l'intuition du graphe de calcul utilisée dans tous les frameworks d'apprentissage profond.

Leçon 3 • Réseaux récurrents et modèles de séquence

Couvre les RNN, les LSTM et les GRU pour modéliser les dépendances temporelles dans les données d'ingénierie séquentielles. Prépare les étudiants aux applications de prévision de séries temporelles et de contrôle de processus.

Leçon 4 • Entraînement efficace des réseaux profonds

Traite des algorithmes d'optimisation, de la régularisation et des techniques de normalisation qui stabilisent l'entraînement des réseaux profonds. Empêche les modes de défaillance courants tels que les gradients défaillants et le surapprentissage.

Leçon 1 • MLOps et CI/CD pour le ML

Intègre les flux de travail ML dans les pipelines d'intégration et de livraison continues avec des tests automatisés et des déclencheurs de réentraînement. Assure la reproductibilité et l'itération rapide en production.

Leçon 2 • Infrastructure d'entraînement évolutive

Couvre les stratégies d'entraînement distribué, l'utilisation du GPU et l'orchestration du cloud pour les modèles à grande échelle. Réduit le temps d'entraînement et permet l'expérimentation à grande échelle.

Leçon 3 • Modes de service et de déploiement des modèles

Compare l'inférence par lots, les API REST en temps réel et les architectures de déploiement en périphérie. Fait correspondre le modèle de déploiement aux contraintes de latence, de débit et de ressources.

Leçon 4 • Surveillance et observabilité

Implémente la détection de la dérive des données, de la dérive conceptuelle et de la dégradation des performances dans les modèles déployés. Permet une maintenance proactive avant que les défaillances du modèle n'affectent les opérations d'ingénierie.

Leçon 1 • Systèmes énergétiques et prévision de la demande

Prévoit la demande d'énergie et optimise les opérations du réseau à l'aide de modèles de séries temporelles et d'optimisation. Soutient l'intégration des énergies renouvelables et l'équilibrage de charge dans les systèmes énergétiques intelligents.

Leçon 2 • Optimisation et contrôle des processus

Utilise la régression et l'apprentissage par renforcement pour optimiser les paramètres des processus de fabrication et les boucles de contrôle. Améliore le rendement, l'efficacité énergétique et le débit dans les systèmes de production.

Leçon 3 • Systèmes de maintenance prédictive

Construit des modèles de prédiction de défaillance à partir de séries temporelles de capteurs en utilisant l'analyse de survie et la classification. Réduit les temps d'arrêt imprévus et les coûts de maintenance dans les environnements industriels.

Leçon 4 • Surveillance de l'état des structures

Détecte les dommages et la dégradation dans les structures civiles et mécaniques à l'aide de données de capteurs vibratoires et acoustiques. Permet une maintenance basée sur l'état pour les ponts, les pipelines et les machines.

Leçon 1 • Robustesse et sécurité adversariales

Examine les attaques adversariales, l'empoisonnement des données et le vol de modèles, puis applique des défenses. Protège les systèmes ML déployés dans les infrastructures critiques et les environnements sensibles à la sécurité.

Leçon 2 • Équité et atténuation des biais

Identifie les sources de biais dans les données d'entraînement et les sorties du modèle, puis applique des techniques d'atténuation. Garantit des résultats équitables dans les domaines de la main-d'œuvre, de l'allocation des ressources et des systèmes de sécurité.

Leçon 3 • Quantification de l'incertitude

Quantifie l'incertitude épistémique et aléatoire à l'aide de méthodes bayésiennes et de la prédiction conforme. Permet aux ingénieurs d'agir en fonction des niveaux de confiance du modèle dans les décisions critiques pour la sécurité.

Leçon 4 • Explicabilité et interprétabilité des modèles

Applique SHAP, LIME et la visualisation de l'attention pour expliquer les prédictions du modèle aux ingénieurs et aux parties prenantes. Renforce la confiance et soutient la conformité réglementaire dans les applications à enjeux élevés.