Machine learning – Niveau avancé
Formation créée le 18/04/2025.
Version du programme : 2
Programme de la formation
Cette formation vise à approfondir les connaissances en machine learning en se concentrant sur l'implémentation des algorithmes d'apprentissage avancés et leur application aux jeux de données. Les participants apprendront à mettre en œuvre des modèles de régression, des méthodes de gradient pour l'apprentissage de modèles complexes, et à traiter des séries temporelles partiellement observées.
Objectifs de la formation
- Mettre en œuvre des algorithmes d'apprentissage avancés.
- Appliquer des modèles de régression à des jeux de données.
- Comprendre et utiliser des méthodes de gradient pour l'apprentissage de modèles complexes.
- Traiter des séries temporelles partiellement observées en utilisant des techniques avancées.
- Analyser des études de cas pour résoudre des problèmes réels en machine learning.
Profil des bénéficiaires
Pour qui
- Cette formation s'adresse aux ingénieurs et techniciens ayant des connaissances de base en statistiques ou en machine learning, ainsi qu'une compréhension des notions de probabilités et statistiques.
Prérequis
- Les participants doivent avoir des connaissances de base en statistiques ou en machine learning, ainsi qu'une compréhension des notions de probabilités et statistiques. Une expérience préalable avec des modèles de régression serait bénéfique.
Contenu de la formation
-
Rappels de machine learning (1 heure)
- Révion des notions clés : overfitting, biais-variance, validation croisée
- Révision des modèles de régression (2 heures)
-
Révision et approfondissement des modèles de régression (2h)
- Régression linéaire, polynomiale, régularisation (Ridge, Lasso)
- Choix des variables, gestion de la multicolinéarité
- Régression logistique multiclasses
- Travaux pratiques : Implémentation de modèles de régression sur un jeu de données métier (Scikit-learn). Évaluation via RMSE, AIC, courbes ROC.
-
Études de cas et modélisation appliquée (4h)
- Étude d’un problème métier (ex. prédiction d’attrition, estimation de coûts)
- Analyse exploratoire, nettoyage, transformation des données
- Travaux pratiques : Pipeline complet : EDA > Feature engineering > Modélisation > Évaluation. Analyse des biais et interprétabilité (SHAP ou permutation feature importance)
-
Méthodes de gradient pour l’apprentissage avancé (3h)
- Principe de la descente de gradient (batch, mini-batch, stochastic)
- Algorithmes : Gradient Boosting, XGBoost, LightGBM
- Ajustement d’hyperparamètres, évaluation croisée, grid search
- Travaux pratiques : Implémentation XGBoost avec recherche d’hyperparamètres. Comparaison avec régression classique
-
Apprentissage supervisé sur séries temporelles (4h)
- Préparation des données temporelles : stationnarité, décalages, lag features
- Approches ARIMA vs ML (Random Forest, LSTM)
- Cas d’application : prévision de trafic, de consommation, de demande
- Travaux pratiques : Application sur une série réelle (énergie, logistique, etc.). Construction d’un modèle prédictif avec analyse de performance dans le temps
Équipe pédagogique
Professionnel expert technique et pédagogique.
Suivi de l'exécution et évaluation des résultats
- Feuilles de présence.
- Mises en situation.
- Formulaires d'évaluation de la formation.
- Certificat de réalisation de l’action de formation.
- Émargement numérique.
Ressources techniques et pédagogiques
- Documents supports de formation projetés.
- Exposés théoriques.
- Etude de cas concrets.
- Mise à disposition en ligne de documents supports à la suite de la formation.
- Espace intranet de formation.
Qualité et satisfaction
Taux de satisfaction des apprenants.
Nombre d'apprenants.
Taux et causes des abandons.
Taux de retour des enquêtes.
Accessibilité
Du 06 au 07 octobre 2025