Les principaux modèles de Machine Learning

• Identifier les grandes familles de modèles de machine learning et leurs usages
• Comprendre les différences entre les principaux algorithmes supervisés et non supervisés
• Savoir choisir un modèle adapté à un besoin métier ou à un type de données

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

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

• Comprendre les différents types d’apprentissage en machine learning
• Découvrir les modèles de classification et leurs cas d’usage
• Explorer les modèles de régression pour la prédiction de données continues
• Utiliser les modèles d’ensemble pour améliorer les performances prédictives
• Comprendre les bases des réseaux de neurones et du deep learning
• Découvrir les méthodes de clustering et de segmentation automatique
• Explorer les techniques de réduction de dimension pour analyser des données complexes
• Comparer les modèles selon leurs performances, leur robustesse et leur interprétabilité
• Comprendre les notions de biais, variance et surapprentissage
• Découvrir les outils et bibliothèques pour expérimenter les modèles de machine learning

• Associer un problème métier à un modèle de machine learning adapté
• Comparer les performances de plusieurs modèles sur un jeu de données simple
• Construire une matrice de choix pour sélectionner un modèle selon différents critères

• Tableau comparatif des principaux modèles de machine learning et de leurs usages
• Fiche méthode pour choisir un modèle selon les contraintes métier et techniques
• Mini-glossaire des algorithmes incontournables du machine learning