Informations à propos de la formation
Le formulaire a été soumis avec succès !
Une erreur s’est produite lors de l’envoi du formulaire. Veuillez vérifier à nouveau tous les champs.
Public cible
- Étudiants, ingénieurs ou enseignants souhaitant découvrir le Machine Learning
- Professionnels de la data, de l’IA ou du numérique en reconversion
- Curieux des technologies d’IA souhaitant comprendre comment les modèles apprennent à partir des données
Objectifs de la formation
Donner aux participants une compréhension claire et progressive des principes, techniques et applications du Machine Learning (apprentissage automatique), depuis la théorie de base jusqu’à la mise en œuvre pratique sur des jeux de données réels.
À la fin de la formation, les participants sauront concevoir, entraîner et évaluer un modèle simple.
Compétences visées
- Comprendre les concepts fondamentaux du Machine Learning
- Identifier les types d’apprentissage et leurs usages
- Manipuler et préparer des données pour l’apprentissage automatique
- Construire et évaluer un modèle simple avec des outils accessibles
- Comprendre les limites, biais et enjeux éthiques du Machine Learning
Thématiques de la formation (12 semaines / 24h)
1. Introduction au Machine Learning (4 h)
Objectifs spécifiques :
- Comprendre le concept d’apprentissage automatique et ses liens avec l’IA et la data science
- Identifier les différents types d’apprentissage et leurs usages
- Découvrir les principaux algorithmes de base
Contenu :
- Définition du Machine Learning et comparaison avec les approches traditionnelles
- Apprentissage supervisé, non supervisé, par renforcement
- Exemples : classification, régression, clustering, recommandation
- Domaines d’application (santé, finance, marketing, énergie, etc.)
Activités :
- Quizz interactif “Vrai ou faux : que peut faire le ML ?”
- Étude de cas : prédiction de la satisfaction client ou diagnostic automatisé
2. Données et préparation pour le Machine Learning (6 h)
Objectifs spécifiques :
- Comprendre le rôle central des données dans le processus d’apprentissage
- Nettoyer, transformer et normaliser les données
- Diviser un jeu de données pour l’entraînement et le test
Contenu :
- Types de données et formats
- Étapes du data preprocessing : nettoyage, encodage, mise à l’échelle
- Gestion du surapprentissage (overfitting) et de la sous-performance (underfitting)
- Outils : Python (Pandas, NumPy), Excel ou environnement no-code
Activités :
- Atelier : préparation d’un jeu de données réel
- Exercice pratique : création d’un train/test split et visualisation des données
3. Les algorithmes fondamentaux du Machine Learning (6 h)
Objectifs spécifiques :
- Identifier et comprendre les principaux algorithmes de ML
- Apprendre à choisir le bon modèle selon le problème
- Évaluer la performance d’un modèle
Contenu :
- Régression linéaire et logistique
- Arbres de décision et forêts aléatoires
- K-Means et clustering non supervisé
- Introduction au concept de validation croisée
- Outils : Scikit-learn, Orange Data Mining, ou outils no-code
Activités :
- Atelier pratique : entraînement d’un modèle de prédiction simple
- Comparaison de modèles : précision, rappel, F1-score, matrice de confusion
4. Applications, limites et éthique du Machine Learning (4 h)
Objectifs spécifiques :
- Explorer les applications concrètes dans divers secteurs
- Identifier les biais, limites et risques liés aux modèles d’apprentissage
- Découvrir les aspects éthiques, légaux et de gouvernance
Contenu :
- Exemples : reconnaissance d’image, détection de fraude, recommandation de contenu
- Biais algorithmiques et équité dans les modèles
- Protection des données (RGPD, AI Act européen)
- Responsabilité humaine et explicabilité des modèles
Activités :
- Étude de cas : un algorithme biaisé en recrutement ou santé
- Discussion : “Peut-on faire confiance à un modèle de ML ?”
5. Mini-projet de synthèse (4 h)
Objectifs spécifiques :
- Mettre en œuvre un mini-projet complet de Machine Learning
- Appliquer le cycle complet : données → modèle → évaluation → présentation
- Développer la capacité à interpréter et communiquer des résultats
Contenu :
- Sélection d’un jeu de données
- Nettoyage, entraînement, évaluation et visualisation
- Présentation des résultats et réflexions sur l’impact
Activités :
- Travail en petits groupes sur un projet au choix (prédiction, clustering, classification)
- Soutenance orale ou notebook commenté
Méthodologie
- Alternance théorie / pratique
- Ateliers encadrés et manipulation réelle de données
- Études de cas contextualisées
- Apprentissage par projet collaboratif
Évaluation
- Évaluation continue : participation, exercices, mini-tests
- Évaluation finale : mini-projet de Machine Learning
- Auto-évaluation des compétences en début et fin de parcours
Évaluation et Assurance Qualité :
À la fin de chaque programme de formation, les participants recevront un formulaire d’évaluation et d’assurance qualité.