- ACN_ATLAS
- FSE
- Informatique
- Séminaire
Formation Machine Learning : État de l'art et bonnes pratiques
Transformer des volumes massifs de données en informations utiles
- Durée
- 2 jours
- Niveau
- Intermédiaire
- Modalités
- Présentiel / Distanciel
Description de la formation Machine Learning
Le machine learning, ou apprentissage automatique, existe depuis les années 1950. Il fonctionne grâce à la théorie des probabilités et ne s’inscrit pas dans la même logique que la programmation standard qui se structure elle autour d’hypothèses (si … alors … sinon …).
Concrètement il n’y a pas de règle de construction, le programme apprend statistiquement à l’aide de corpus déjà traduits et traverse donc une phase d’apprentissage durant lequel il traite les données et se calibre. Bien entendu, cette approche requiert des données et avec l’avènement du Big Data conjugué à la démocratisation de la puissance de calcul et des outils disponibles facilement sur le Cloud, le Machine Learning devient une réalité beaucoup plus facile à mettre en œuvre qu’auparavant.
Cette formation Machine Learning vous permettra d'accompagner un projet d’intelligence artificielle dans sa globalité, tout en étendant votre boîte à outils personnelle.
Objectifs pédagogiques
Objectifs pédagogiques :
Concrètement, à l'issue de cette formation Machine Learning, vous serez à même de :
- Comprendre les concepts de l’IA et la place du Machine Learning par rapport au Big Data
- Appréhender les apports concrets du Machine Learning pour les entreprises
- Positionner le Machine Learning dans les applications qui manipulent les données
- Identifier les principaux outils et acteurs du marché
- Classifier les différents algorithmes selon les cas d’usage
- Adopter une démarche projet en fonction des cas d’usages
- Identifier les risques et les éléments de réussite d’un projet basé sur le machine Learning
Objectifs opérationnels
Objectif opérationnel :
Disposer d'une vision globale des concepts, techniques et outils qu’offrent le Machine Learning pour la bonne mise en œuvre d’un projet.
Programme
Contenu du cours, module par module
8 modules
- Situer le Machine Learning dans l’évolution et l’histoire du Big Data
- Définir les concepts d'Intelligence Artificielle et d’apprentissage automatique (Machine Learning)
- Comprendre les différences entre l’analyse descriptive, l'analyse prédictive puis prescriptive.
- Exemples d’application du Machine learning pour divers directions ou métier : marketing, vente, logistique, RH, santé, transport, la sécurité, l’énergie, la distribution, le luxe, le tourisme...
- Déterminer les résultats et bénéfices attendus du Machine Learning
Démonstration
- Identifier les bibliothèques les plus utilisées (TensorFlow, Keras, Pytorch, Scikit learn).
- Choisir entre les deux leaders Open Source : Python et R.
- Plateformes Cloud (Azure, AWS, Google Cloud Platform) et solutions SaaS (IBM Watson, Dataïku).
- Connaitre les API en ligne (IBM Watson, Microsoft Cortana Intelligence, IA AWS ..) et les chatbots
Démonstration
- Identifier les données structurées, semi-structurées et non structurées
- Choisir la nature statistique des données (qualitatives ou quantitatives)
- Définir la typologie des algorithmes :
- Apprentissage supervisé : répéter un exemple-
- Apprentissage non supervisé : découvrir les données
- Reinforcement Learning : optimisation d'une récompense
- Les autres types d'apprentissage (par transfert, séquentiel, actif...)
- Faire le lien entre les mathématiques, le Big Data, l’IA et le machine Learning
Étude de cas
- Utiliser la régression linéaire simple et multiple
- Tester la régression polynomiale
- Définir les séries temporelles
- Comprendre la régression logistique et applications en scoring
- Identifier la classification hiérarchique et non hiérarchique (KMeans)
- Définir une classification par arbres de décision ou approche Naïve Bayes
- Utiliser le Ramdom Forest (développement des arbres de décision)
- Gradiant Boosting
- Réseaux de neurones
- Machine à support de vecteurs
Étude de cas
- Prévoir la collecte et la préparation des données
- Identification des corrélations
- Réduire la complexité d’un problème pour le résoudre par analyse des composantes principales
- Comment réduire la dimension et sélectionner les variables pertinentes ?
- Détection et correction des valeurs aberrantes
- Data augmentation : création de nouvelles variables pour aider à résoudre le problème
Exercice
- Séparation du jeu de données en plusieurs : entraînement, test et validation
- Techniques de bootstrap (bagging)
- Exemple de la validation croisée
- Définition d'une métrique de performance
- Descente de gradient stochastique (minimisation de la métrique)
- Courbes ROC et de lift pour évaluer et comparer les algorithmes
- Matrice de confusion : faux positifs et faux négatifs
Étude de cas
- Description d'une plateforme Big Data
- Principe de fonctionnement des API
- Du développement à la mise en production
- Stratégie de maintenance corrective et évolutive
- Évaluation du coût de fonctionnement en production
Étude de cas
- Les spécificités d’un projet Machine Learning, son cycle de vie
- Identifier les différents acteur d’un projet et post-projet
- Définir les nouveaux rôles dans l'entreprise : chief data officer, data protection officer, data engineer, data scientist, data analyst, data miner...
- Déterminer les prestataires externes et l’écosystème interne à l’entreprise
- Préparer sa roadmap de la mise en œuvre du machine Learning (avant, pendant et après le projet)
- Mise en place d’un Proof Of Concept
- Prévoir rétro planning, CheckList et bonnes pratiques d’un projet Machine Learning
- Protection et droit d’accès aux données personnelles
- L’accompagnement aux changements nécessaire (formation, communication, management)
- Réflexion : Échanges selon les spécificités métiers et activité de chacun
Programme mis à jour le 07/05/2026
Public concerné
Ce cours Machine Learning s’adresse essentiellement à des dirigeants, des directeurs ou responsables SI, directeurs techniques, responsables informatique qui doivent comprendre les mécanismes du Machine Learning pour envisager un projet d’optimisation et transformation massive de données.
Toute personne souhaitant se sensibiliser au Machine Learning pourra aussi suivre cette formation : consultant, responsable projet Big Data.
Prérequis
Pour suivre cette formation Machine Learning, il est recommandé de connaître les principaux algorithmes du Machine learning et d’avoir des notions de probabilité ou statistiques (scolaire), ainsi qu’une bonne culture informatique générale.
J’évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Faire le testFinancement
Cette formation peut être prise en charge par votre entreprise, seule ou avec l’appui de son opérateur de compétences. Nous fournissons le devis et les pièces attendues par l’OPCO.
4,4/5
31 avis
« Mon avis sur le contenu du stage : "Parfois un peu de mal a retrouver sur quel powerpoint on est , les manipulations des outils sont super intéressantes mais il faut être très concentré pour jongler entre les deux " Mon avis sur le formateur : "C'était la première fois que le formateur réalisait cette prestation et j'ai trouvé que parfois il pouvait être un peu long sur certains cas pratiques et un peu trop rapide sur la théorie ( ce qui peut très bien convenir à d'autres profils )" Ce que j'ai le plus apprécié : "Avant la formation on est bien pris en main , mail, espace privé, explication" Ce que j'ai le moins apprécié : "/" »
KL « Mon avis sur le contenu du stage : "Le niveau de la formation est très haut. Mais je pense pour autant que chaque personne quelque soit leur niveau peut prendre la dose d'information qu'il souhaite. Même moi qui n'est pas data analyst, j'ai pu comprendre enormement de concepts" Mon avis sur le formateur : "Youssef est très pédagogue. On sent qu'il est expert dans son domaine et il a une très bonne capacité à rebondir sur nos questions." »
YANETWO « Mon avis sur le contenu du stage : "Hyper enrichissant, premier jour qui ne rentre pas trop dans le détail, second plus en profondeur pour comprendre plus dans le "détail". Evidemment en 2 jours on reste en surface mais permet de comprendre les enjeux et de savoir sur quoi on a à travailler ! " Mon avis sur la salle de formation : "Chez nous" »
PEBESPOKE
Les avis figurant ci-dessus sont issus des fiches d’évaluation que remplissent les participants à la fin de la formation. Ils sont ensuite publiés automatiquement si les personnes ont explicitement accepté que nous les diffusions.
Formations liées
- Machine Learning avec Elastic Stack Réf. AEST2 joursIntermédiaireProchaine session : 17 déc.1 590 €
- Machine Learning distribué avec Spark MLRéf. MLSP3 joursFondamentalProchaine session : 12 oct.2 090 €
- Machine Learning et Data Science : déployer, monitorer et gérer des modèles en productionRéf. MLDS3 joursIntermédiaire
- Professionnel certifié en intelligence artificielle (CAIP)Réf. CAIP5 joursIntermédiaireProchaine session : 23 nov.3 500 €