Détail de la formation

Acquérir les bases pratiques du machine learning en Python à l’aide de la bibliothèque Scikit-learn, pour être capable de construire, entraîner, évaluer et interpréter des modèles prédictifs simples.

Module 1 : Introduction au Machine Learning

• 🌐 Description : Comprendre les fondamentaux du ML

• Contenu :

  • Définition du Machine Learning

  • Types d’apprentissage : supervisé, non supervisé, par renforcement (brève introduction)

  • Place de Scikit-learn dans l’écosystème Python

Module 2 : Prise en main de Scikit-learn

• 🔧 Objectif : Apprendre à utiliser les API de base

• Contenu :

  • Structure d’un projet ML

  • Les datasets intégrés dans sklearn

  • Chargement et exploration de données

Module 3 : Préparation des données

• 🧹 Objectif : Nettoyer et transformer les données pour l'entraînement

• Contenu :

  • Séparation training / test

  • Encodage des variables catégorielles

  • Standardisation et normalisation

  • Gestion des valeurs manquantes

Module 4 : Modèles de classification

• 🎯 Objectif : Appliquer des algorithmes supervisés de classification

• Contenu :

  • K-Nearest Neighbors (KNN)

  • Arbres de décision

  • Régression logistique

  • Mesures de performance : accuracy, precision, recall, F1-score, matrice de confusion

Module 5 : Modèles de régression

• 📈 Objectif : Apprendre à prédire des valeurs continues

• Contenu :

  • Régression linéaire simple et multiple

  • Évaluation : MSE, RMSE, R²

  • Validation croisée

Module 6 : Modèles non supervisés (bonus)

• 🧠 Objectif : Découvrir l’analyse non supervisée

• Contenu :

  • K-Means

  • Réduction de dimension (PCA)

  • Visualisation des clusters

Module 7 : Pipeline et optimisation de modèles

• 🛠 Objectif : Automatiser et améliorer le workflow ML

• Contenu :

  • Pipelines avec Pipeline()

  • Recherche d’hyperparamètres avec GridSearchCV et RandomizedSearchCV

  • Sauvegarde et déploiement de modèles

Module 8 : Mini-projet de fin de formation

• 📊 Objectif : Appliquer toutes les compétences sur un projet complet

• Exemples :

  • Prédiction de la survie sur le Titanic

  • Classification de chiffres manuscrits (MNIST)

  • Prédiction de prix de maisons (dataset Boston ou autre)

• Développeurs ou data analysts souhaitant s’initier au machine learning

• Étudiants ou autodidactes en informatique, data science ou statistiques 

• Toute personne ayant des bases en Python et souhaitant appliquer le machine learning à des projets concrets

• Connaissances de base en Python (variables, boucles, fonctions)

• Notions de base en mathématiques (statistiques, algèbre linéaire simple) 

• Connaissance élémentaire de Pandas et Numpy est un plus

• Formation axée sur la pratique : 70% exercices / 30% théorie

• Cas concrets et datasets réels (Iris, Titanic, etc.)

• Notebook interactif (Jupyter)

• Approche "learning by doing" : chaque concept est suivi d’une implémentation 

• Évaluation continue par mini-projets