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 loin dans le cours.

Leçon 2 • Configuration de votre environnement de ML

Guide les étudiants dans l'installation de Python, des bibliothèques clés et des outils de notebooks. S'assure que chaque étudiant dispose d'un environnement de travail fonctionnel avant le début des exercices pratiques.

Leçon 3 • Le workflow de ML de bout en bout

Cartographie le pipeline complet, des données brutes au modèle déployé. Fournit un modèle mental que les étudiants retrouveront dans chaque chapitre suivant.

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

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

Leçon 1 • Fractionnement des données et prévention des fuites

Explique les divisions entraînement, validation et 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 étudiants dans des paysages de données réalistes avant le début du 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 étudiants à prendre des décisions défendables lorsque les données sont incomplètes ou corrompues.

Leçon 4 • Ingénierie et transformation des caractéristiques

Démontre 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 du modèle dans les chapitres suivants.

Leçon 1 • Modèles de régression basés sur les arbres

Présente les régresseurs par arbre de décision, forêt aléatoire et gradient boosting. Compare leur précision et leur interprétabilité par rapport aux modèles linéaires sur les mêmes ensembles de données.

Leçon 2 • Métriques d'évaluation de la régression

Présente la MAE, la MSE, la RMSE et le R² comme mesures de performance complémentaires. Apprend aux étudiants 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 la régularisation au compromis biais-variance introduit conceptuellement plus tôt.

Leçon 4 • Régression polynomiale et non linéaire

Étend la régression linéaire pour capturer les relations curvilignes via des caractéristiques polynomiales. Montre quand les modèles non linéaires surpassent les modèles de base linéaires.

Leçon 1 • Métriques d'évaluation de la classification

Couvre l'exactitude, la précision, 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 un seul arbre.

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 pour les frontières non linéaires. Positionne les SVM comme des classifieurs puissants pour les problèmes de haute dimension et de petit échantillon.

Leçon 1 • Analyse en composantes principales

Dérive l'ACP par la maximisation de la variance et explique les composantes principales géométriquement. Démontre que l'ACP, en tant qu'étape de prétraitement, améliore les performances du modèle en aval.

Leçon 2 • Méthodes de détection d'anomalies

Couvre les forêts d'isolement, les auto-encodeurs et les méthodes statistiques pour détecter les valeurs aberrantes. Applique la détection d'anomalies aux 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 de haute dimension 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 de séquences

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

Leçon 2 • Perceptrons et réseaux feedforward

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

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. Dote les étudiants des compétences nécessaires pour régler les taux d'apprentissage et les optimiseurs afin d'obtenir une convergence stable.

Leçon 4 • Régularisation dans les réseaux profonds

Couvre le dropout, la normalisation par lots et l'arrêt précoce pour éviter 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. Démontre le fine-tuning 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 plongements pré-entraînés accélèrent l'entraînement des modèles de NLP en aval.

Leçon 3 • Prétraitement et représentation du texte

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

Leçon 4 • Classification de texte et analyse de sentiment

Construit des classifieurs pour l'étiquetage thématique et le score de sentiment à l'aide de modèles classiques et profonds. Applique les métriques d'évaluation du chapitre sur la classification à des références spécifiques au texte.

Leçon 1 • Choix de scalabilité et d'infrastructure

Compare les options de déploiement cloud, sur site et en périphérie pour différents profils de latence et de coût. Guide les étudiants dans l'adaptation 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 arrière.

Leçon 3 • Surveillance des modèles et détection de dérive

Enseigne la dérive des données, la dérive conceptuelle et la détection de dégradation des performances en production. Relie les alertes de surveillance aux pipelines de ré-entraînement introduits dans la section précédente.

Leçon 4 • Pipelines ML et orchestration

Introduit les frameworks de pipeline pour automatiser l'ingestion de données, l'entraînement et les étapes de déploiement. Assure la reproductibilité et réduit l'intervention manuelle dans les workflows ML récurrents.