IA – Apprentissage automatique (Machine Learning)

Programme

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