Formation Machine Learning Appliqué à l'Ingénierie

Leçon 1 • Ce qu'est l'apprentissage automatique

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

Leçon 2 • Paradigmes d'apprentissage fondamentaux

Compare 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 approprié.

Leçon 3 • Le cycle de vie d'un projet d'apprentissage automatique

Décrit le flux de travail de bout en bout, de la formulation du problème au déploiement et à la surveillance du modèle. Définit les attentes concernant l'ensemble du périmètre d'ingénierie couvert dans les chapitres suivants.

Leçon 4 • Mathématiques essentielles pour l'apprentissage automatique

Passe en revue les concepts d'algèbre linéaire, de calcul infinitésimal, de probabilités et de statistiques qui sous-tendent les algorithmes d'apprentissage automatique. Fournit les compétences quantitatives nécessaires à 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 des valeurs manquantes, des doublons, des formats incohérents et du bruit dans les ensembles de données bruts. Garantit l'intégrité des données d'entraînement avant l'ajustement du modèle.

Leçon 3 • Construction de pipelines de données reproductibles

Conçoit des pipelines automatisés et versionnés qui appliquent des transformations de manière cohérente entre les divisions. Favorise la fiabilité des expérimentations et du 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. Ancre les décisions d'approvisionnement en données dans des exigences de qualité et de représentativité.

Leçon 1 • Évaluation et sélection des modèles

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

Leçon 2 • Régression linéaire et logistique

Dérive la régression linéaire à partir des premiers principes 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 bloc de construction pour les 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 des anomalies et des valeurs aberrantes

Introduit les méthodes statistiques, basées sur la distance et basées sur un modèle pour la détection d'anomalies dans le contrôle qualité et la détection de défauts. Directement applicable à la surveillance de la fabrication et des infrastructures.

Leçon 2 • Techniques de réduction de dimensionnalité

Applique l'analyse en composantes principales (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 ensembles de données en haute dimension.

Leçon 3 • Apprentissage des règles d'association

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

Leçon 1 • Optimisation des hyperparamètres et recherche d'architecture

Applique la recherche par grille, la recherche aléatoire et l'optimisation bayésienne pour trouver des configurations réseau optimales. Réduit les essais et 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 réseaux de neurones récurrents (RNN), les LSTM et les GRU pour la modélisation des 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, des techniques de régularisation et de normalisation qui stabilisent l'entraînement des réseaux profonds. Prévient les modes de défaillance courants tels que les gradients vanishing et le surapprentissage.

Leçon 1 • MLOps et CI/CD pour l'apprentissage automatique

Intègre les flux de travail d'apprentissage automatique dans les pipelines d'intégration et de déploiement continus avec des tests automatisés et des déclencheurs de réentraînement. Assure la reproductibilité et l'itération rapide en production.

Leçon 2 • Infrastructure d'entraînement passant à l'échelle

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

Leçon 3 • Schémas de déploiement et de service des modèles

Compare les architectures d'inférence par lots, d'API REST en temps réel et de déploiement en périphérie. Fait correspondre le schéma 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

Prédit la demande énergétique et optimise les opérations du réseau à l'aide de modèles de séries temporelles et d'optimisation. Prend en charge 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'intégrité structurelle

Détecte les dommages et la dégradation dans les structures civiles et mécaniques à l'aide de données de capteurs de vibrations 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 les défenses. Protège les systèmes d'apprentissage automatique 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 les techniques d'atténuation. Assure des résultats équitables dans les systèmes de gestion des effectifs, d'allocation des ressources et 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.