Machine Learning Supervisé & Non Supervisé

À l’issue de la formation, les participants seront capables de :

• Comprendre les concepts fondamentaux du machine learning supervisé (régression, classification)
• Appliquer des techniques de machine learning non supervisé (clustering, réduction de dimensionnalité)
• Utiliser la bibliothèque Scikit-learn pour entraîner, évaluer et améliorer des modèles
• Diagnostiquer le sur-apprentissage, utiliser la validation croisée, ajuster les hyperparamètres
• Mettre en œuvre un pipeline complet de modélisation sur des jeux de données réels

Introduction au machine learning avec Scikit-learn

• Rappels sur les données tabulaires et la préparation des données
• Principes du machine learning supervisé vs non supervisé
• Scikit-learn : jeux de données intégrés, interface standard des modèles
• Pipelines de transformation, scalers, encodage des variables

Modèles supervisés : régression et classification

• Régression linéaire et évaluation des erreurs (RMSE, MAE)
• Régression logistique, arbres de décision, forêts aléatoires
• SVM : classification à grande marge
• Choix des métriques : précision, rappel, F1-score, courbes ROC

Apprentissage non supervisé

• Clustering : k-means, DBSCAN (notions)
• Évaluation de la cohérence des clusters (inertie, silhouette)
• Réduction de dimensionnalité : PCA (analyse en composantes principales)
• Visualisation des données en 2D/3D après réduction

Validation, réglages et robustesse

• Validation croisée : holdout, k-fold
• Sur-apprentissage et biais/variance
• Recherche d’hyperparamètres : GridSearchCV, RandomizedSearchCV
• Interprétabilité des modèles : importance des variables, SHAP (introduction)

Travaux pratiques sur jeux de données réels

• Chargement de jeux de données du monde réel (Kaggle, open data)
• Préparation, exploration, modélisation, évaluation
• Présentation orale ou notebook des résultats
• Retours d’expérience et discussion des choix algorithmiques

• En cours de formation, par des études de cas ou des travaux pratiques
• Et, en fin de formation, par un questionnaire d'auto-évaluation