Formation Machine Learning Best

Maîtrisez l'apprentissage machine, ses principaux concepts et méthodes grâce à notre formation Machine Learning de 3 jours !

39 sessions Eligible OPCO

Vue d'ensemble

Notre formation Machine Learning vous permettra d’acquérir les connaissances et compétences de base en matière d’apprentissage automatique. Quel que soit votre domaine de prédilection, la maîtrise des concepts et outils issus du machine learning offre de nouvelles perspectives professionnelles exaltantes. Grâce à notre formation intensive, vous apprendrez à préparer vos données et à les exploiter via la mise en œuvre des principaux algorithmes de machine learning. Vous créerez des modèles prédictifs et de prise de décision lors d’ateliers pratiques basés sur le langage Python, et apprendrez à utiliser les bibliothèques dédiées à l’apprentissage automatique. Une introduction au Deep Learning et réseaux neuronaux sera présentée en fin de formation, pour vous permettre d’appréhender cette technologie d’apprentissage en pleine ébullition.

Public visé

Architectes techniques Chefs de projet Data scientists Développeurs Ingénieurs Big Data

Prérequis

Connaissance d’un langage de programmation, de préférence Python.
Connaissances basiques en algèbre conseillées

Objectifs pédagogiques

Comprendre les méthodes de Machine Learning

Assimiler les notions mathématiques relatives au Machine Learning

Comprendre les algorithmes d'apprentissage

Obtenir et préparer les données et évaluer les modèles d'apprentissage

Maîtriser la régression, la classification, le clustering

Avoir des notions en deep learning

Programme détaillé

Introduction à la formation Machine Learning

Intelligence Artificielle, Big Data, Data Science et Machine Learning : définitions et principes fondamentaux
Retour historique sur l’apprentissage automatique
Champs d’application du machine learning
Terminologie (étiquette, caractéristique, modèle, inférence…)
Exemples de mise en œuvre du machine learning
Principaux outils : Jupyter notebooks, scikit-learn, Pandas, BigML, Dataiku

Rappels mathématiques (vecteurs, loi normale, probabilité conditionnelle…) lors de la formation Machine Learning

Rappels sur la programmation en Python et notebooks Jupyter

Catégorisation des techniques et algorithmes d’apprentissage

Apprentissage supervisé
Classification et régression
Apprentissage non-supervisé
Clustering
Principaux algorithmes : Support Vector Machines, modèles de probabilité, arbres de décision, etc
Modéliser les problématiques d’entreprise en problèmes de machine learning
Workflow pour la construction d’un modèle
Choisir un type d’apprentissage et un algorithme pertinents

Obtention et préparation des données

Rappels sur les données (format, structuration, collecte, visualisation, interprétation)
Obtenir les données
La librairie open source scikit-learn
Techniques d’exploration des données
Feature Engineering (ingénierie des caractéristiques)
Extraction et sélection des features
Réduction de la dimension des données
L’analyse en composantes principales (PCA)

Evaluation des modèles d’apprentissage

Partitionner les données en ensembles d’apprentissage, de test et de validation
Exemples pour l’entraînement d’un modèle
Exemples pour le test d’un modèle
Mesures de performance : précision et rappel, matrices de confusion, cross-validation
Généralisation et risque de surapprentissage
L’intuition derrière les techniques d’apprentissage

Régression

Principaux cas d’utilisation
Régression linéaire simple
Méthode des moindres carrés ordinaire
Fonction de coût et algorithme du gradient
Régularisation : régression ridge et lasso
Les différents types de régression : multiple, polynomiale, SVR, arbre de décision, random forest, etc
Les métriques de la régression

Classification

Principaux cas d’utilisation
Régression logistique
Méthode des k plus proches voisins (k-NN)
Machine à vecteurs de support (SVM)
Kernel SVM
Classification naïve bayésienne (Naive Bayes)
Classification avec un arbre de décision et random forest
Les métriques de la classification

Clustering (segmentation)

Principes et principaux algorithmes
Méthode des k-moyennes (k-means)
Clustering hiérarchique
Clustering par densité

Introduction au Deep Learning (apprentissage profond)

Présentation générale et principes du Deep Learning afin de pousser plus loin la formation Machine Learning
Les réseaux neuronaux artificiels
La bibliothèque TensorFlow
Cas d’utilisation, défis et perspectives

Prochaines sessions

du 2 nov. 2026 au 4 nov. 2026 • 3 jours

Distance

2 400 € HT

du 2 nov. 2026 au 4 nov. 2026 • 3 jours

Lille

2 400 € HT

du 2 nov. 2026 au 4 nov. 2026 • 3 jours

Nantes

2 400 € HT

du 2 nov. 2026 au 4 nov. 2026 • 3 jours

Paris

2 400 € HT