Les principaux modèles de Machine Learning

Objectifs

Identifier les grandes familles de modèles utilisés en machine learning supervisé et non supervisé
Comprendre leur fonctionnement de base et les types de problèmes qu’ils permettent de résoudre
Savoir choisir un modèle adapté à un besoin métier ou à un type de données
Développer une culture technique suffisante pour collaborer efficacement avec des experts data

Participants

Professionnels curieux d’IA, chefs de projet, analystes, métiers data, débutants techniques

Pré-requis

Connaissance des fondamentaux du machine learning ou avoir suivi une initiation générale

Programme

Comprendre la différence entre apprentissage supervisé, non supervisé et par renforcement
Découvrir les modèles de classification comme les arbres de décision, la régression logistique ou les SVM
Explorer les modèles de régression pour prédire une valeur continue à partir de données
Utiliser les forêts aléatoires et le boosting pour améliorer la précision des prédictions
Comprendre les réseaux de neurones simples comme base du deep learning
Découvrir les k-means et les modèles de clustering pour regrouper automatiquement les données
Identifier les modèles de réduction de dimension comme l’ACP ou le t-SNE pour explorer des données complexes
Comparer les modèles en fonction de leurs performances, de leur interprétabilité et de leur robustesse
Savoir quand privilégier un modèle simple, explicable ou un modèle complexe plus précis
Comprendre les notions de surapprentissage, de biais, de variance et d’évaluation croisée
Analyser les résultats à l’aide de matrices de confusion, courbes ROC ou erreurs quadratiques
Découvrir des librairies comme Scikit-learn pour tester les modèles en Python
Se repérer dans les tendances actuelles : modèles hybrides, AutoML, explainable AI

Exercices pratiques

Associer un cas métier à un type de modèle adapté (prédiction, segmentation, scoring…).
Comparer deux modèles sur un petit jeu de données simulé pour observer les écarts de performance
Identifier les avantages et limites de trois modèles supervisés à partir de leurs résultats
Réaliser une matrice de choix guidée pour sélectionner un modèle selon ses contraintes projet

Aptibox

Tableau synthétique des modèles de machine learning par usage et nature des données
Fiche repère des critères de choix d’un modèle (interprétabilité, précision, temps, complexité)
Mini-glossaire des modèles et algorithmes les plus courants (SVM, RF, KNN, XGBoost…)
Liste de notebooks, simulateurs ou plateformes low-code pour expérimenter les modèles sans coder

Référence

IAF148

Participants

Individuel
Collectif

Durée

2 heures

Prix

580,00 € HT

Format

Distanciel
Présentiel

Dates

Sur mesure

Options

Aptibox
Coaching
Entrainement intensif
Suivi

Ajouter au panier

Télécharger ce programme

Réserver une séance

Financements

Nous vous aidons dans vos démarches pour financer vos formations. Retrouvez toutes les informations sur les solutions de financement.

Nos forfaits

Nous vous proposons des forfaits/packs d’achat de modules à prix dégressifs, selon la quantité demandée.

Ces modules de 2h sont valables pour nos 5000 aptitudes ( = ateliers de formation 100% sur mesure allant à l’essentiel, tous thèmes confondus, sur tous nos catalogues management, RH, communication, développement personnel, commercial…) et valables également sur toutes nos prestations (séances de coaching, bilan de compétences , feedback 360°, codéveloppement…).

Les principaux modèles de Machine Learning

Objectifs

Participants

Pré-requis

Programme

Exercices pratiques

Aptibox

Espace client

Prendre RDV

Réservez directement votre séance !

Nous contacter