• Maîtriser les fondamentaux du langage Python et de l'environnement Jupiter Notebook pour l'IA et le Machine Learning.
• Comprendre et appliquer les techniques d'apprentissage supervisé et non supervisé pour construire des modèles d'IA performants.
• Apprendre à évaluer et optimiser les modèles grâce aux méthodes de ré-échantillonnage, de test de représentativité et de mesure de performance.
• Découvrir et utiliser les techniques de clustering et d'analyse en composantes pour une exploration approfondie et une meilleure compréhension des données.

• Professionnel.le.s au contact de services IA
• Utilisateur.rice.s et gestionnaires métiers de bases de données
• Responsables Data souhaitant utiliser Python
• Professionnel.le.s, souhaitant acquérir ou renforcer leurs connaissances en IA et/ou en data science

‍

Plongeon dans la création de modèles

• 1-1 Bienvenue dans l'univers de Python, le langage de programmation préféré des data scientists !
• 1-2 Découvrez Jupiter Notebook, votre nouvel outil préféré pour créer et partager vos modèles.
• 1-3 Les secrets d'un modèle réussi : apprenez les étapes clés pour construire des modèles performants.
• 1-4 Supervisé ou non supervisé ? Faites votre choix parmi les algorithmes d'apprentissage les plus populaires.
• 1-5 Régression ou classification ? Devenez un expert dans l'art de choisir la bonne approche.

Évaluation et boost de vos modèles

• 2-1 Ré-échantillonnage : maîtrisez les techniques pour optimiser vos ensembles de données d'apprentissage, de validation et de test.
• 2-2 Des données représentatives = des modèles performants. Apprenez à vérifier la qualité de vos données d'entraînement.
• 2-3 Performances des modèles : découvrez les métriques incontournables pour évaluer et comparer vos modèles prédictifs.
• 2-4 Matrice de confusion, matrice de coût, courbe ROC et AUC : plongez au cœur de l'évaluation des modèles.

Les super-pouvoirs de l'apprentissage supervisé

• 3-1 Régression linéaire simple : apprivoisez cet algorithme essentiel et devenez un as de la prédiction.
• 3-2 Régression multivariée : explorez les possibilités offertes par plusieurs variables pour des prédictions encore plus précises.
• 3-3 Régression polynomiale : découvrez comment ajuster des courbes complexes à vos données.
• 3-4 Régression régularisée : évitez le surapprentissage et optimisez vos modèles grâce à cette technique avancée.
• 3-5 Naive Bayes : initiez-vous à cet algorithme de classification probabiliste et simplifiez vos problématiques.
• 3-6 Régression logistique : maîtrisez cet outil puissant pour prédire les probabilités d'appartenance à une classe.

Le génie de l'apprentissage non supervisé

• 4-1 Clustering hiérarchique : apprenez à regrouper vos données en arbre pour une analyse plus intuitive.
• 4-2 Clustering non hiérarchique : découvrez les méthodes de regroupement alternatives pour une exploration approfondie de vos données.
• 4-3 Approches mixtes : combinez les forces du clustering hiérarchique et non hiérarchique pour des résultats encore plus percutants

L'art de l'analyse en composantes

• 5-1 ACP : maîtrisez cette technique incontournable pour réduire la dimensionalité de vos données et faciliter leur analyse.
• 5-2 AFC : explorez les relations entre vos variables grâce à cette méthode d'analyse visuelle.
• 5-3 ACM : apprenez à analyser plusieurs tableaux de données simultanément pour une compréhension globale de vos jeux de données.
• 5-4 Analyse factorielle pour données mixtes : tirez parti de cette technique avancée pour analyser des données de types différents.
• 5-5 Classification hiérarchique sur composantes principales : combinez ACP et clustering hiérarchique pour une segmentation optimale de vos données.

‍