Apprentissage Automatique : Fondamentaux, Modèles et Cas Pratiques

1.1 – Qu’est-ce que le Machine Learning (vs IA, Deep Learning)

1.2 – Les 3 familles de ML (supervisé, non supervisé, renforcement)

1.3 – Notions clés dataset, features, labels, entrainementtest

1.4 – Installer un environnement ML complet Python, Jupyter, Pandas, Scikit-learn

1.5 – QUIZ MODULE 1

2.1 – Importer et explorer un dataset (CSV, JSON, etc.)

2.2 – Nettoyer les données valeurs manquantes, doublons, outliers

2.3 – Transformation des données encodage, standardisation, normalisation

2.4 – Visualiser les données histogrammes, pairplots, heatmaps

2.5 – Séparer données traintest pour modélisation

2.6 – QUIZ MODULE 2

3.1 – Modèle KNN principe, entraînement et prédiction

3.2 – Arbre de décision interprétable et rapide à entraîner

3.3 – Régression logistique classifier avec une fonction mathématique

3.4 – SVM classifier avec des hyperplans optimaux

3.5 – Évaluer un modèle de classification accuracy, précision, rappel, F1-score

4.1 – Régression linéaire simple prédire une valeur numérique

4.2 – Régression multiple plusieurs variables explicatives

4.3 – Régression polynomiale modéliser des relations non linéaires

4.4 – Arbre de régression segmenter automatiquement les données

5.1 – K-Means Regrouper automatiquement des données similaires

5.2 – DBSCAN Identifier des groupes denses sans fixer k

5.3 – Clustering hiérarchique visualiser les regroupements par dendrogramme

5.4 – PCA Réduction de dimensions avec Analyse en Composantes Principales

5.5 – t-SNE (mention rapide)

5.6 – QUIZ DU MODULE 5

6.1 – Séparer correctement les données (train_test_split, StratifiedKFold)

6.2 – Validation croisée K-Fold évaluer sur plusieurs splits

6.3 – Détection du surapprentissage (overfitting)

6.4 – Courbes d’apprentissage visualiser l’évolution de la performance

6.5 – Courbes ROC, AUC et interprétation pour modèles de classification

6.6 – QUIZ DU MODULE 6

7.1 – GridSearchCV recherche exhaustive des meilleurs hyperparamètres

7.2 – RandomizedSearchCV recherche rapide et efficace

7.3 – Pipelines Scikit-learn enchaîner preprocessing et modèle proprement

7.4 – QUIZ DU MODULE 7

8.1 – Cas pratique complet (classification ou régression)

8.2 – Variante projet clustering (segments clients)

8.3 – QUIZ DU MODULE 8

9.1 – Bonus Introduction au Deep Learning avec Keras

9.2 – Réseaux convolutifs (CNN)

9.3 – RNN & LSTM pour les séries temporelles et le texte

9.4 – QUIZ DU MODULE 9

Pr sentation du cours et qu'est-ce que le ML ?

Installer Anaconda, Jupyter et Scikit-learn

Premier mod le pr dictif Hello ML

Supervis vs non-supervis vs renforcement

Train, test, validation : la s paration des donn es

Biais, variance et compromis fondamental

Overfitting et underfitting : les sympt mes

Charger et explorer un dataset avec Pandas

G rer les valeurs manquantes (imputation)

Encoder les variables cat gorielles (OneHot, Label)

Normalisation et standardisation des features

R gression lin aire simple : th orie et code

R gression lin aire multiple avec Scikit-learn

R gression polynomiale et feature engineering

R gularisation : Ridge, Lasso et ElasticNet

R gression logistique pour la classification binaire

K-Nearest Neighbors (KNN) : principe et code

Support Vector Machines (SVM) lin aires et kernels

Matrice de confusion, pr cision, rappel, F1-score

Arbres de d cision : intuition et visualisation

Random Forest et bagging

Gradient Boosting et XGBoost

Feature importance : comprendre votre mod le

K-Means clustering et choix du K optimal

DBSCAN et clustering hi rarchique

PCA et r duction de dimension

Cross-validation : K-Fold et stratifi e

GridSearchCV et RandomizedSearchCV

D tecter et viter le data leakage

Pipelines Scikit-learn : pr pro + mod le

Sauvegarder et charger un mod le avec joblib

Exposer un mod le via une API Flask

Pr sentation du projet et exploration EDA

Nettoyage et feature engineering

Mod lisation et tuning hyperparam tres

D ploiement et conclusion

Quiz 1 – Fondamentaux ML – 5%