Prenez contact avec nous
 Durée 14 heures

Plan du cours

1. Introduction au Machine Learning

  • Qu'est-ce que le Machine Learning
  • Comment il complète l'analyse de données
  • Cas d'utilisation métier courants :
    • Prévision des ventes
    • Segmentation de la clientèle
    • Prédiction du churn (départs de clients)

2. De l'analyse de données au Machine Learning

  • Rappel : manipulation des données avec Pandas
  • Passage de l'analyse descriptive à l'analyse prédictive
  • Définition d'un problème de Machine Learning

3. Flux de travail du Machine Learning (simplifié)

  • Préparation du jeu de données
  • Découpage des données (entraînement vs test)
  • Entraînement du modèle
  • Réalisation de prédictions

4. Préparation des données pour le Machine Learning

  • Traitement des valeurs manquantes
  • Encodage des variables catégorielles
  • Sélection des caractéristiques (de base)
  • Mise à l'échelle (vue d'ensemble conceptuelle)

5. Apprentissage supervisé (pratique)

Régression

  • Régression linéaire
  • Cas d'utilisation : prédiction de valeurs numériques (ex. : ventes, demande)

Classification

  • Régression logistique
  • Cas d'utilisation : résultats binaires (ex. : churn, fraude)

6. Apprentissage non supervisé

Clustering (regroupement)

  • Algorithme K-means
  • Cas d'utilisation : segmentation de la clientèle

7. Évaluation des modèles (simplifié)

  • Performance sur les données d'entraînement vs données de test
  • Précision (classification)
  • Compréhension de base des erreurs (régression)

8. Interprétation des résultats

  • Comprendre les sorties du modèle
  • Identification des motifs et tendances
  • Traduction des résultats en informations exploitables pour l'entreprise

9. Exemple pratique complet

  • Chargement du jeu de données
  • Préparation et nettoyage des données
  • Entraînement d'un modèle
  • Évaluation de la performance
  • Extraction des informations clés

Pré requis

Prérequis

  • Connaissances de base en Python
  • Familiarité avec Pandas et la manipulation de jeux de données
  • Compréhension des concepts fondamentaux de l'analyse de données

Public cible

  • Analystes de données
  • Analystes commerciaux disposant de connaissances de base en Python
  • Professionnels ayant suivi la formation Python pour l'analyse de données ou une formation équivalente
  • Débutants en Machine Learning

Nombre de participants


Prix par participant

Les formations ouvertes requièrent plus de 3 participants.

Nos clients témoignent (2)

Offrir à ceux qui n'ont jamais utilisé l'IA une initiation aux bases de la formulation de requêtes, et inviter les utilisateurs expérimentés à explorer des méthodes alternatives pour l'employer.

Matthew Gay - Tarsus Pharmaceuticals
Formation - Artificial Intelligence (AI) Overview

Traduction automatique

Travailler à partir des principes fondamentaux de manière concentrée, puis passer à l'application d'études de cas le même jour

Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking

Traduction automatique

Cours à venir

Introduction au Machine Learning pour l'analyse de données

2026-11-19 09:30
14 heures
Tours, Parc Honoré de Balzac
2550 EUR (En ligne)
2950 EUR (Salle de Classe)

Introduction au Machine Learning pour l'analyse de données

2026-12-03 09:30
14 heures
Limoges, Centre Ville
2550 EUR (En ligne)
2950 EUR (Salle de Classe)

Introduction au Machine Learning pour l'analyse de données

2026-12-17 09:30
14 heures
Paris, Opera Bourse
2550 EUR (En ligne)
2950 EUR (Salle de Classe)

Introduction au Machine Learning pour l'analyse de données

2026-12-31 09:30
14 heures
Lyon, Gare Lyon Part-Dieu
2550 EUR (En ligne)
2950 EUR (Salle de Classe)

Introduction au Machine Learning pour l'analyse de données

2027-01-14 09:30
14 heures
Lille, Gare Flandres
2550 EUR (En ligne)
2950 EUR (Salle de Classe)

Cours Similaires

Intelligence Artificielle pour l'Automobile

 14 Heures
Découvrez comment l'apprentissage automatique et l'apprentissage profond transforment le secteur automobile. Ce cours France couvre les concepts fondamentaux, de l'automatisation simple à la prise de décision autonome, en passant par les réseaux de neurones et des exemples pratiques avec TensorFlow pour des applications réelles.
En savoir plus...

Aperçu de l'intelligence artificielle (IA)

 7 Heures
Une formation d'introduction à France explorant les fondamentaux de l'IA, des agents intelligents à l'apprentissage automatique. Elle permet aux dirigeants et aux architectes d'évaluer les tendances de l'IA émergentes, d'intégrer des solutions pratiques et d'accélérer l'agilité commerciale grâce à des stratégies automatisées.
En savoir plus...

AlphaFold : Prédiction et interprétation de la structure des protéines par l'IA

 7 Heures

Cette formation en direct, animée par un instructeur en France (en ligne ou en présentiel), s'adresse aux biologistes souhaitant comprendre le fonctionnement d'AlphaFold et utiliser ses modèles comme guide dans leurs études expérimentales.

À l'issue de cette formation, les participants seront en mesure de :

  • Comprendre les principes de base d'AlphaFold.
  • Apprendre comment AlphaFold fonctionne.
  • Apprendre à interpréter les prédictions et les résultats d'AlphaFold.
En savoir plus...

Réseaux de neurones artificiels, apprentissage automatique, raisonnement approfondi

 21 Heures
Ce programme de trois jours en France aborde la théorie et la pratique des réseaux de neurones artificiels, de l'apprentissage automatique et de l'apprentissage profond. Les participants exploreront les architectures de réseaux, les mécanismes d'apprentissage et les fondements mathématiques, en passant des perceptrons de base aux techniques avancées d'apprentissage profond.
En savoir plus...

IA appliquée de zéro en Python

 28 Heures
Cette formation pratique en France aide les développeurs à construire des modèles d'IA de zéro à l'aide de Python. Vous maîtriserez l'apprentissage supervisé, les réseaux de neurones et les techniques non supervisées en utilisant scikit-learn et Apache Spark. Elle se concentre sur des exercices pratiques dans Jupyter pour la résolution de problèmes concrets.
En savoir plus...

Création de Chatbots personnalisés avec Google AutoML

 14 Heures

Cette formation en France (en ligne ou sur site) s'adresse aux participants ayant différents niveaux d'expertise et souhaitant tirer parti de la plateforme Google AutoML pour créer des chatbots personnalisés pour diverses applications.

A l'issue de cette formation, les participants seront capables de :

  • Comprendre les principes fondamentaux du développement d'un chatbot.
  • Naviguer sur la Google Cloud Platform et accéder à AutoML.
  • Préparer les données pour l'entraînement des modèles de chatbot.
  • Former et évaluer des modèles de chatbot personnalisés en utilisant AutoML.
  • Déployer et intégrer les chatbots dans différentes plateformes et canaux.
  • Contrôler et optimiser les performances des chatbots au fil du temps.
En savoir plus...

Reconnaissance de Formes

 21 Heures

Cette formation dirigée par un instructeur (en ligne ou sur site) fournit une introduction au domaine de la reconnaissance de formes et de l'apprentissage automatique. Elle aborde des applications pratiques dans les domaines de la statistique, de l'informatique, du traitement du signal, de la vision par ordinateur, de l'exploration de données et de la bio-informatique.

À la fin de cette formation, les participants seront en mesure de :

  • Appliquer des méthodes statistiques fondamentales à la reconnaissance de formes.
  • Utiliser des modèles clés comme les réseaux de neurones et les méthodes à noyau pour l'analyse des données.
  • Mettre en œuvre des techniques avancées pour résoudre des problèmes complexes.
  • Améliorer la précision des prédictions en combinant différents modèles.
En savoir plus...

Apprentissage par renforcement profond avec Python

 21 Heures
Cette formation animée par un instructeur dans le domaine de France couvre les fondements théoriques et la mise en œuvre pratique de l'apprentissage par renforcement profond à l'aide de Python. Les participants conçoivent et entraînent des agents DRL avec TensorFlow ou PyTorch, en appliquant des algorithmes clés tels que DQN et PPO pour résoudre des problèmes complexes du monde réel.
En savoir plus...

Edge AI avec TensorFlow Lite

14 Heures

Cette formation en direct (en ligne ou sur site) est destinée aux développeurs intermédiaires, scientifiques des données et praticiens de l'IA qui souhaitent utiliser TensorFlow Lite pour les applications d'IA Edge.

À la fin de cette formation, les participants seront capables de :

  • Comprendre les fondamentaux de TensorFlow Lite et son rôle dans l'IA Edge.
  • Développer et optimiser des modèles d'IA en utilisant TensorFlow Lite.
  • Déployer des modèles TensorFlow Lite sur divers appareils Edge.
  • Utiliser les outils et techniques pour la conversion et l'optimisation de modèles.
  • Mettre en œuvre des applications d'IA Edge pratiques à l'aide de TensorFlow Lite.
En savoir plus...

Kubeflow Essentials : Concevoir, entraîner et servir avec Kubernetes

 14 Heures
Cette formation pratique dans France vous dote des compétences nécessaires pour concevoir, entraîner et servir des modèles d'apprentissage automatique sur Kubernetes à l'aide de Kubeflow. Vous apprendrez à naviguer dans l'écosystème, à concevoir des pipelines scalables et à gérer des charges de travail prêtes pour la production selon les meilleures pratiques.
En savoir plus...

Fondamentaux de Kubeflow

 28 Heures

Cette formation en direct, animée par un instructeur, sur France (en ligne ou sur site), s'adresse aux développeurs et aux data scientists souhaitant concevoir, déployer et gérer des flux de travail de machine learning sur Kubernetes.

À l'issue de cette formation, les participants seront en mesure de :

  • Installer et configurer Kubeflow sur site (on-premise) et dans le cloud.
  • Construire, déployer et gérer des flux de travail de ML basés sur les conteneurs Docker et Kubernetes.
  • Exécuter des pipelines de machine learning complets sur des architectures diverses et des environnements cloud.
  • Utiliser Kubeflow pour générer et gérer des notebooks Jupyter.
  • Développer des charges de travail de formation ML, d'ajustement d'hyperparamètres et de service à travers plusieurs plateformes.
En savoir plus...

Analyse Avancée avec RapidMiner

 14 Heures

Cette formation en direct avec instructeur à France (en ligne ou sur site) est destinée aux analystes de données de niveau intermédiaire qui souhaitent apprendre à utiliser RapidMiner pour estimer et projeter des valeurs et utiliser des outils analytiques pour les prévisions de séries temporelles.

A l'issue de cette formation, les participants seront capables de :

  • Apprendre à appliquer la méthodologie CRISP-DM, sélectionner les algorithmes d'apprentissage automatique appropriés et améliorer la construction et la performance des modèles.
  • Utiliser RapidMiner pour estimer et projeter des valeurs, et utiliser des outils analytiques pour la prévision de séries temporelles.
En savoir plus...

Comprendre les réseaux de neurones profonds

 35 Heures
Ce cours de 35 heures en France couvre les fondamentaux des réseaux de neurones profonds, y compris les CNN, les RNN et les modèles génératifs comme les GAN. Les participants acquièrent une expérience pratique avec Theano et TensorFlow, apprenant à construire, entraîner et déployer des modèles de deep learning prêts pour la production pour des applications réelles.
En savoir plus...

Compréhensibilité en Apprentissage Profond : Démystifier les Modèles Boîte Noire

 21 Heures

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent explorer les techniques XAI de pointe pour les modèles d'apprentissage profond, en mettant l'accent sur la construction de systèmes d'IA interprétables.

À la fin de cette formation, les participants seront en mesure de :

  • Comprendre les défis de l'explicabilité dans l'apprentissage profond.
  • Mettre en œuvre des techniques XAI avancées pour les réseaux neuronaux.
  • Interpréter les décisions prises par les modèles d'apprentissage profond.
  • Évaluer les compromis entre performance et transparence.
En savoir plus...

Catégories Similaires

Apprentissage automatique
Apprentissage automatique