Programme détaillé

INTRODUCTION

• Définition du Machine Learning
• Principaux cas d’usage
• Classification et régression
• Machine Learning supervisé et non supervisé

PYTHON ET LE MACHINE LEARNING

• Librairies scientifiques : numpy, pandas, et matplotlib
• Scikit-learn
• Serveur Jupyter et notebooks

ALGORITHMES DE MACHINE LEARNING SUPERVISES

• Régression linéaire et régression logistique
• K plus proches voisins : KNN
• Arbres de décision
• Forêts aléatoires

QUANTIFIER LA QUALITE D’UN MODELE

• Méthode pour mesurer la qualité
• Critères d’évaluation pour la régression : MAE, MSE, R²…
• Critères d’évaluation pour la classification : accuracy, F1 score, ROC AUC…

AMELIORER LA QUALITE DES MODELES

• Tester plusieurs modèles
• Optimiser le meilleur modèle
• Optimiser les prédictions

MENER UN PROJET DE MACHINE LEARNING

• Etapes clés du projet
• Packager et déployer le modèle
• Eviter les erreurs classiques
• Superviser le modèle en production

ALGORITHMES DE MACHINE LEARNING NON SUPERVISES

• K-Means
• DBScan
• Isolation Forests