Machine learning et deep learning appliqués

Module 1 — Fondations

• Typologie des problèmes d’apprentissage
• Données d’entraînement, de validation et de test
• Préparation et nettoyage des données
• Ingénierie des variables

Module 2 — Modèles classiques

• Régression et classification
• Arbres, forêts et méthodes d’ensemble
• Regroupement et réduction de dimension
• Réglage des hyperparamètres

Module 3 — Réseaux de neurones

• Principes des réseaux profonds
• Traitement d’images et de texte
• Apprentissage par transfert
• Coût de calcul et arbitrages

Module 4 — Évaluer et industrialiser

• Métriques adaptées au problème
• Surapprentissage, biais et robustesse
• Suivi du modèle en production et dérive
• Enjeux éthiques et conformité