Formation en Data Science, IA et Machine Learning

Leçon 1 • Guide d'initiation aux mathématiques et aux statistiques

Revoyez l'algèbre linéaire, l'intuition du calcul et les probabilités nécessaires pour les algorithmes de ML. Ancrez les mathématiques abstraites dans des applications de science des données.

Leçon 2 • Types et structures de données

Distinguez les formats de données structurées, semi-structurées et non structurées. Préparez les apprenants à traiter divers ensembles de données réelles.

Leçon 3 • Le paysage de la science des données

Définissez la science des données, l'IA et le ML comme des disciplines distinctes mais qui se chevauchent. Établissez le vocabulaire utilisé tout au long de la formation.

Leçon 4 • Configuration de votre environnement

Installez et configurez Python, Jupyter et les bibliothèques essentielles. Assurez-vous que chaque apprenant dispose d'un espace de travail reproductible.

Leçon 1 • Techniques de nettoyage des données

Identifiez et résolvez les valeurs manquantes, les doublons et les formats incohérents. Améliorez directement la précision des modèles en aval.

Leçon 2 • Fondamentaux de l'ingénierie des caractéristiques

Transformez les variables brutes en caractéristiques informatives pour les modèles de ML. Introduisez l'encodage, la mise à l'échelle et la création de caractéristiques dérivées.

Leçon 3 • Analyse exploratoire des données

Utilisez des résumés statistiques et des visualisations pour découvrir des modèles et des anomalies. Éclairez la génération d'hypothèses avant la modélisation.

Leçon 4 • Ingestion et chargement des données

Chargez des données à partir de fichiers, d'API et de bases de données en utilisant pandas et des connecteurs SQL. Établissez le point d'entrée pour chaque pipeline de données.

Leçon 1 • Évaluation et validation des modèles

Appliquez les divisions entraînement-test, la validation croisée et les métriques de performance pour évaluer les modèles. Prévenez les fuites de données et assurez une évaluation fiable.

Leçon 2 • Algorithmes de classification

Couvre la régression logistique, les arbres de décision et les k-plus proches voisins pour les tâches de classification. Mettez en évidence les frontières de décision et les sorties de probabilité.

Leçon 3 • Algorithmes de régression

Implémente des modèles de régression linéaire, polynomiale et régularisée. Relie les dérivations mathématiques aux implémentations scikit-learn.

Leçon 4 • Réglage des hyperparamètres

Optimise les performances du modèle grâce à des stratégies de recherche par grille et de recherche aléatoire. Introduit le concept d'un ensemble de validation distinct de l'ensemble de test.

Leçon 1 • Interprétabilité des modèles

Utilise les valeurs SHAP et l'importance par permutation pour expliquer les prédictions de modèles complexes. Relie l'interprétabilité à la confiance des parties prenantes et au débogage.

Leçon 2 • Bagging et forêts aléatoires

Explique l'agrégation bootstrap et son effet de réduction de variance. Implémente des forêts aléatoires et interprète les scores d'importance des caractéristiques.

Leçon 3 • Machines à vecteurs de support

Dérive le classifieur à marge maximale et l'astuce du noyau pour les frontières non linéaires. Applique les SVM aux problèmes de classification et de régression.

Leçon 4 • Stacking et blending

Combine divers modèles de base via des méta-apprenants pour réduire l'erreur de généralisation. Introduit des pipelines de stacking appropriés pour éviter les fuites.

Leçon 1 • Détection d'anomalies et de valeurs aberrantes

Détecte les événements rares à l'aide de forêts d'isolement, d'autoencodeurs et de méthodes statistiques. Applique les techniques aux scénarios de détection de fraude et de contrôle qualité.

Leçon 2 • Réduction de dimensionnalité

Réduit l'espace des caractéristiques avec PCA, t-SNE et UMAP tout en préservant la structure. Permet la visualisation et accélère la modélisation en aval.

Leçon 3 • Algorithmes de clustering

Implémente les méthodes de clustering k-means, hiérarchique et DBSCAN. Évalue la qualité des clusters avec les scores de silhouette et l'analyse du coude.

Leçon 1 • Rétropropagation et optimisation

Dérive la rétropropagation et la relie aux variantes de la descente de gradient. Couvre les optimiseurs comme Adam, RMSProp et la planification du taux d'apprentissage.

Leçon 2 • Régularisation et bonnes pratiques d'entraînement

Applique le dropout, la normalisation par lots et l'arrêt précoce pour prévenir le surapprentissage. Établit des flux de travail d'entraînement fiables pour des modèles de qualité production.

Leçon 3 • Réseaux de neurones récurrents et LSTM

Modélise les données séquentielles avec les RNN, LSTM et GRU. Applique les architectures aux tâches de prévision de séries temporelles et de séquences textuelles.

Leçon 4 • Réseaux de neurones convolutionnels

Construit des CNN pour la classification d'images en utilisant des couches de convolution, de pooling et entièrement connectées. Introduit l'apprentissage par transfert avec des modèles pré-entraînés.

Leçon 1 • Plongements de mots

Entraîne et utilise des représentations vectorielles denses avec Word2Vec, GloVe et FastText. Démontre comment la similarité sémantique est encodée dans l'espace des plongements.

Leçon 2 • Tâches NLP classiques

Implémente l'analyse de sentiment, la reconnaissance d'entités nommées et la classification de textes. Relie les modèles ML traditionnels aux pipelines de caractéristiques NLP.

Leçon 3 • Ajustement fin des modèles de langage pré-entraînés

Ajuste finement les modèles de type BERT et GPT sur des tâches NLP en aval en utilisant Hugging Face. Couvre l'ingénierie des invites et l'évaluation des sorties des modèles de langage.

Leçon 4 • Prétraitement et représentation du texte

Nettoie et tokenise le texte brut, puis le convertit en représentations numériques. Établit le pipeline d'entrée pour tous les modèles NLP.

Leçon 1 • Surveillance des modèles et détection des dérives

Suit la qualité des prédictions, la dérive des données et la dérive du concept dans les systèmes en production. Déclenche des pipelines de réentraînement lorsque les performances se dégradent.

Leçon 2 • Empaquetage et service des modèles

Empaquète les modèles en tant qu'API REST en utilisant Flask et FastAPI, puis les conteneurise avec Docker. Permet une consommation de modèles scalable et indépendante du langage.

Leçon 3 • Pipelines ML et automatisation des flux de travail

Conçoit des pipelines reproductibles de bout en bout en utilisant le Pipeline scikit-learn et des outils d'orchestration. Élimine les étapes manuelles qui causent des échecs de production.

Leçon 4 • Principes MLOps et CI/CD

Applique les pratiques DevOps au ML : versionner les données, le code et les modèles ensemble. Implémente des pipelines CI/CD qui testent et déploient automatiquement les modèles.