Informatique

5$/h – Sciences des données (datascience) – Niveau 2

Objectif général 

Ce cours pratique permet d’acquérir des compétences intermédiaires en science des données, avec un accent particulier sur les techniques de Machine Learning. Les participants maîtriseront l’implémentation d’algorithmes supervisés et non-supervisés en Python ou R, développant ainsi leur capacité à concevoir des solutions analytiques complètes. À la fin de cette formation, les étudiants seront en mesure d’analyser des problématiques métiers, de sélectionner et d’optimiser les modèles appropriés, puis de déployer des solutions prédictives performantes à travers un projet intégrateur répondant à des besoins concrets.

Objectifs spécifiques 

• Implémenter et optimiser des algorithmes de Machine Learning supervisé (classification et régression)
• Maîtriser les techniques d’apprentissage non supervisé (clustering et détection d’anomalies)
• Évaluer les performances des modèles et déployer des solutions analytiques opérationnelles

Contenu du cours

1. Introduction au Machine Learning et Rappel des concepts Python essentiels pour le machine learning
2. Algorithmes de régression et ses variantes
3. Évaluation et mesures de performance en régression
4. Algorithmes de classification et ses variantes
5. Évaluation et mesures de performance en classification
6. Techniques d’apprentissage non supervisé : clustering et segmentation
7. Détection d’anomalies et applications pratiques
8. Comparaison de modèles, interprétation et visualisation des résultats
9. Projet intégrateur combinant techniques supervisées et non supervisées
10. Déploiement et industrialisation des modèles

Préalables

Connaissances de base en programmation et mathématiques de base.