Maîtriser les modèles ML, le Deep Learning et leur implémentation avec Scikit-learn, TensorFlow et PyTorch
Cette formation combine théorie, démonstrations et ateliers pratiques pour permettre aux participants de concevoir, entraîner et évaluer des modèles intelligents avec des outils professionnels.
Est-ce pour vous ?
Développeurs Python souhaitant se spécialiser en IA, ingénieurs logiciels ou data engineers, chefs de projet technique en innovation ou R&D
Préalables
Bonnes bases en programmation Python, connaissances générales en mathématiques (statistiques, algèbre linéaire), une première expérience en manipulation de données est un plus.
Ce que vous saurez faire
- ✓ Comprendre les principaux algorithmes de Machine Learning et Deep Learning.
- ✓ Maîtriser les étapes de préparation des données pour l’IA.
- ✓ Implémenter des modèles d’apprentissage supervisé et non supervisé.
- ✓ Utiliser des bibliothèques Python pour le développement IA (Scikit-learn, TensorFlow, etc.).
- ✓ Évaluer et optimiser les performances des modèles.
Contenu de la formation
1 Introduction aux algorithmes d’IA
- Apprentissage supervisé vs non supervisé
- Notions de classification, régression, clustering
2 Préparation des données
- Nettoyage, encodage, normalisation
- Split train/test, gestion des déséquilibres
3 Algorithmes classiques
- Régression linéaire et logistique
- Arbres de décision, Random Forest
- KNN, SVM
4 Atelier pratique 1 :
Implémentation d’un modèle de classification avec Scikit-learn
Objectif : entraîner un modèle sur un jeu de données réel (Iris, Titanic…)
5 Introduction au Deep Learning
- Réseaux de neurones artificiels
- Fonction d’activation, backpropagation
6 Frameworks et outils
- TensorFlow vs PyTorch
- Utilisation de Jupyter Notebook et Google Colab
7 Modélisation avancée
- Réseaux multicouches (MLP)
- Réseaux convolutifs (CNN) pour l’image
- Réseaux récurrents (RNN) pour les séries temporelles
8 Évaluation et optimisation
- Courbes ROC, matrices de confusion
- Cross-validation, tuning d’hyperparamètres
9 Atelier pratique 2 :
- Création d’un réseau de neurones avec TensorFlow/Keras
- Objectif : entraîner un modèle de reconnaissance d’images (MNIST ou CIFAR-10)
📌 Informations pratiques
Nos formations sont offertes à Montréal ou Québec, en présentiel ou en classe virtuelle. Les dates et lieux sont précisés lors de votre choix de session ci-dessous. Si vous avez des questions, consultez notre FAQ.