Formation IA et Machine Learning

Leçon 1 • Types d’apprentissage automatique

Couvre les paradigmes d’apprentissage supervisé, non supervisé et par renforcement avec des exemples concrets. Relie chaque paradigme aux types de problèmes abordés plus tard dans le cours.

Leçon 2 • Configuration de votre environnement ML

Guide les apprenants dans l’installation de Python, des bibliothèques clés et des outils notebook. Garantit que chaque apprenant dispose d’un environnement de travail avant le début des exercices pratiques.

Leçon 3 • Le workflow ML de bout en bout

Trace le pipeline complet depuis les données brutes jusqu’au modèle déployé. Fournit un modèle mental que les apprenants retrouveront dans chaque chapitre suivant.

Leçon 4 • Ce que signifient réellement l’IA et le ML

Clarifie la distinction entre intelligence artificielle, apprentissage automatique et apprentissage profond. Établit le vocabulaire précis utilisé tout au long du cours.

Leçon 1 • Division des données et prévention des fuites

Explique les divisions en ensembles d’entraînement, de validation et de test ainsi que le risque critique de fuite de données. Établit des habitudes d’évaluation rigoureuses qui perdurent dans tous les chapitres de modélisation.

Leçon 2 • Comprendre les sources de données

Passe en revue les sources de données structurées, non structurées et semi-structurées ainsi que leurs compromis. Ancre les apprenants dans des paysages de données réalistes avant tout nettoyage.

Leçon 3 • Gestion des données manquantes et bruitées

Couvre les stratégies d’imputation, le traitement des valeurs aberrantes et les méthodes de réduction du bruit. Prépare les apprenants à prendre des décisions défendables lorsque les données sont incomplètes ou corrompues.

Leçon 4 • Ingénierie et transformation des caractéristiques

Montre l’encodage, la mise à l’échelle et la création de nouvelles caractéristiques à partir de variables brutes. Montre comment les caractéristiques conçues améliorent directement la précision des modèles dans les chapitres suivants.

Leçon 1 • Modèles de régression basés sur les arbres

Présente les arbres de décision, les forêts aléatoires et les régresseurs à gradient boosting. Compare leur précision et leur interprétabilité par rapport aux modèles linéaires sur les mêmes jeux de données.

Leçon 2 • Métriques d’évaluation de la régression

Présente la MAE, la MSE, la RMSE et le R-carré comme mesures de performance complémentaires. Apprend aux apprenants à sélectionner la métrique appropriée en fonction du contexte métier.

Leçon 3 • Techniques de régularisation

Couvre la régularisation Ridge, Lasso et Elastic Net pour lutter contre le surapprentissage dans la régression. Relie la force de régularisation au compromis biais-variance introduit conceptuellement plus tôt.

Leçon 4 • Régression polynomiale et non linéaire

Étend la régression linéaire pour capturer les relations courbes à l’aide de caractéristiques polynomiales. Montre quand les modèles non linéaires surpassent les modèles de base linéaires.

Leçon 1 • Métriques d’évaluation de la classification

Couvre la précision, la exactitude, le rappel, le F1, la ROC-AUC et les matrices de confusion. Enseigne la sélection des métriques pour les classes déséquilibrées et les coûts d’erreur asymétriques.

Leçon 2 • Modèles de classification basés sur les arbres

Couvre les arbres de décision, les forêts aléatoires et le gradient boosting pour les tâches de classification. Met l’accent sur les méthodes d’ensemble qui surpassent systématiquement les modèles de base à arbre unique.

Leçon 3 • Classifieurs Naive Bayes et k-NN

Présente les classifieurs probabilistes et basés sur les instances comme des alternatives rapides et interprétables. Met en évidence les cas d’usage où ces modèles plus simples surpassent les modèles complexes.

Leçon 4 • Machines à vecteurs de support

Explique l’hyperplan à marge maximale et l’astuce du noyau (kernel trick) pour les frontières non linéaires. Positionne les SVM comme des classifieurs puissants pour les problèmes à haute dimensionnalité et à petit échantillon.

Leçon 1 • Analyse en composantes principales

Dérive l’ACP par maximisation de la variance et explique géométriquement les composantes principales. Montre l’ACP comme une étape de prétraitement qui améliore les performances du modèle en aval.

Leçon 2 • Méthodes de détection d’anomalies

Couvre les forêts d’isolement, les autoencodeurs et les méthodes statistiques pour détecter les valeurs aberrantes. Applique la détection d’anomalies à des scénarios de fraude, de contrôle qualité et de surveillance système.

Leçon 3 • Réduction de dimensionnalité non linéaire

Présente t-SNE et UMAP pour visualiser des données à haute dimensionnalité en deux dimensions. Compare leurs forces et leurs limites par rapport à l’ACP linéaire.

Leçon 4 • Apprentissage des règles d’association

Explique l’algorithme Apriori et les métriques clés : support, confiance et lift. Applique l’analyse du panier de la ménagère aux cas d’usage de recommandation et de vente croisée.

Leçon 1 • Réseaux récurrents et modèles séquentiels

Présente les RNN, LSTM et GRU pour les données séquentielles et les séries temporelles. Prépare les apprenants pour le chapitre sur le traitement du langage naturel qui suit.

Leçon 2 • Perceptrons et réseaux feedforward

Construit un réseau de neurones à partir d’un seul perceptron jusqu’à des architectures multicouches. Établit le graphe de calcul de la propagation avant utilisé dans toutes les sections d’apprentissage profond suivantes.

Leçon 3 • Rétropropagation et optimisation

Dérive la rétropropagation à l’aide de la règle de dérivation en chaîne et la relie aux variantes de la descente de gradient. Équipe les apprenants pour régler les taux d’apprentissage et les optimiseurs pour une convergence stable.

Leçon 4 • Régularisation dans les réseaux profonds

Couvre le dropout, la normalisation par lots et l’arrêt précoce pour prévenir le surapprentissage. Relie ces techniques aux concepts de biais-variance établis dans les chapitres précédents.

Leçon 1 • Architecture Transformer et BERT

Explique l’auto-attention, l’encodage positionnel et la structure encodeur-décodeur. Montre le réglage fin de BERT pour les tâches de classification et de réponse aux questions.

Leçon 2 • Plongements de mots

Explique Word2Vec, GloVe et FastText comme des représentations sémantiques denses des mots. Montre comment les embeddings pré-entraînés accélèrent l’entraînement des modèles NLP en aval.

Leçon 3 • Prétraitement et représentation du texte

Couvre la tokenisation, la radicalisation, la suppression des mots vides et l’encodage sac-de-mots. Établit le pipeline texte-vers-vecteur requis par tous les modèles NLP de ce chapitre.

Leçon 4 • Classification de textes et analyse des sentiments

Construit des classifieurs pour l’étiquetage de sujets et le scoring des sentiments à l’aide de modèles classiques et profonds. Applique les métriques d’évaluation du chapitre sur la classification à des benchmarks spécifiques au texte.

Leçon 1 • Choix de passage à l’échelle et d’infrastructure

Compare les options de déploiement cloud, sur site et en périphérie pour différents profils de latence et de coût. Guide les apprenants dans l’adéquation de l’infrastructure à la taille du modèle et au volume de requêtes.

Leçon 2 • Tests A/B et gouvernance des modèles

Couvre le déploiement en mode shadow, les tests A/B et les déploiements canary pour des mises en production sécurisées. Introduit les pratiques de gouvernance pour les pistes d’audit et les procédures de retour en arrière.

Leçon 3 • Surveillance des modèles et détection de dérive

Enseigne la détection de la dérive des données, de la dérive du concept et de la dégradation des performances en production. Relie les alertes de surveillance aux pipelines de réentraînement introduits dans la section précédente.

Leçon 4 • Pipelines ML et orchestration

Présente les frameworks de pipeline pour automatiser l’ingestion, l’entraînement et les étapes de déploiement des données. Garantit la reproductibilité et réduit l’intervention manuelle dans les workflows ML récurrents.