Formation Data Science, IA et Machine Learning

Leçon 1 • Rappels de mathématiques et de statistiques

Revoit l'algèbre linéaire, l'intuition du calcul infinitésimal et les probabilités nécessaires aux algorithmes de ML. Ancre les mathématiques abstraites dans les applications de la science des données.

Leçon 2 • Types et structures de données

Distingue les formats de données structurées, semi-structurées et non structurées. Prépare les apprenants à traiter divers ensembles de données du monde réel.

Leçon 3 • Le paysage de la science des données

Définit la science des données, l'IA et le ML comme des disciplines distinctes mais qui se chevauchent. Établit le vocabulaire utilisé tout au long du cours.

Leçon 4 • Configuration de votre environnement

Installe et configure Python, Jupyter et les bibliothèques logicielles essentielles. Garantit que chaque apprenant dispose d'un espace de travail reproductible.

Leçon 1 • Techniques de nettoyage des données

Identifie et résout les valeurs manquantes, les doublons et les formats incohérents. Améliore directement la précision des modèles en aval.

Leçon 2 • Fondamentaux du feature engineering

Transforme les variables brutes en caractéristiques informatives pour les modèles de ML. Introduit l'encodage, la normalisation et la création de caractéristiques dérivées.

Leçon 3 • Analyse exploratoire des données (AED)

Utilise des résumés statistiques et des visualisations pour découvrir des motifs et des anomalies. Éclaire la génération d'hypothèses avant la modélisation.

Leçon 4 • Ingestion et chargement des données

Charge des données à partir de fichiers, d'API et de bases de données à l'aide de pandas et de connecteurs SQL. Établit le point d'entrée pour chaque pipeline de données.

Leçon 1 • Évaluation et validation des modèles

Applique les divisions entraînement-test, la validation croisée et les métriques de performance pour évaluer les modèles. Empêche la fuite de données et garantit 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. Met en évidence les frontières de décision et les sorties de probabilité.

Leçon 3 • Algorithmes de régression

Implémente les 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 aux 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 complexes des modèles. 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 la variance. Implémente les forêts aléatoires et interprète les scores d'importance des caractéristiques.

Leçon 3 • Machines à vecteurs de support (SVM)

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'isolation, 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 éviter le surapprentissage. Établit des workflows d'entraînement fiables pour des modèles de qualité professionnelle.

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 à l'aide de couches de convolution, de pooling et entièrement connectées. Introduit l'apprentissage par transfert avec des modèles pré-entraînés.

Leçon 1 • Word embeddings (plongements lexicaux)

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

Leçon 2 • Tâches NLP classiques

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

Leçon 3 • Fine-tuning de modèles de langage pré-entraînés

Ajuste (fine-tune) les modèles de type BERT et GPT sur des tâches NLP en aval à l'aide de Hugging Face. Couvre l'ingénierie des prompts et l'évaluation des sorties des modèles de langage.

Leçon 4 • Prétraitement et représentation du texte

Nettoie et tokénise 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 de dérive

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 sous forme d'API REST à l'aide de 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 workflows

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

Leçon 4 • Principes MLOps et CI/CD

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