Aucun
50802
Initiation aux concepts fondamentaux du machine learningComprendre et utiliser les principaux algorithmes et méthodes de prétraitement des données.Être capable d’appliquer et déployer des modèles de machine learning immédiatement après la formation.
Demandeur d’emploi, salarié, entreprise, étudiant, particulier
Définition de l’apprentissage automatique
Histoire et évolution du machine learning
Applications du machine learning dans différents domaines
Apprentissage supervisé
Apprentissage non supervisé
Apprentissage par renforcement
Données et ensembles de données
Features et labels
Entraînement, validation et test
Régression linéaire et régression logistique
Arbres de décision
Forêts aléatoires
Support Vector Machines (SVM)
K-means clustering
Algorithmes de regroupement hiérarchique
Analyse en composantes principales (PCA)
Algorithmes de réduction de dimensionnalité
Nettoyage des données
Gestion des valeurs manquantes
Normalisation et standardisation
Ingénierie des features
Critères de sélection des modèles
Comparaison des modèles
Techniques d’optimisation des modèles
Bagging et Boosting
Algorithmes populaires : AdaBoost, Gradient Boosting, XGBoost
Neurones artificiels et Perceptron
Réseaux de neurones multicouches (MLP)
Fonction d’activation
Backpropagation
Réseaux de neurones convolutifs (CNN)
Réseaux de neurones récurrents (RNN)
Frameworks populaires : TensorFlow, Keras, PyTorch
Traitement du langage naturel (NLP)
Vision par ordinateur
Systèmes de recommandation
Définition du problème et collecte des données
Prétraitement et exploration des données
Sélection et entraînement du modèle
Évaluation et amélioration du modèle
Introduction au déploiement de modèles
Outils et plateformes pour le déploiement
Surveillance et maintenance des modèles déployés
Biais dans les modèles de machine learning
Confidentialité des données
Considérations éthiques et réglementations