Machine Learning (Réf MACLE) Présentiel
Dernière mise à jour : 23/07/2025
Cette formation permet de mettre en œuvre les principaux algorithmes sur des données réelles, analyser leurs résultats et comparer leurs performances.
Public
Tout public
Prérequis
- Posséder de bonnes notions de programmation avec R
- Disposer des connaissances de base en statistiques, en particulier la régression et classification.
Objectifs pédagogiques
- Expliquer les différents modèles d'apprentissage
- Identifier les méthodes d'apprentissage pertinentes pour résoudre un problème
Contenu
- Introduction
-
- Définition et historique
- Modélisation et apprentissage automatique
- Apprentissage supervisé et non supervisé
- Procédure d'apprentissage
-
- Choix de la méthode
- Phénomène de sous-apprentissage et sur-apprentissage (Underfitting/Overfitting)
- Validation croisée, validation externe
- Comparaison de modèles
- Principaux algorithmes
-
- Régression :
- régression linéaire
- fonction coût / perte
- optimisation (descente du gradient)
- méthodes de régression : multiple, ridge, Lasso, ElasticNet, PLS
- Régression :
-
- Classification :
- régression logistique
- support Vector Machine
- arbres de décision
- forêts aléatoires
- KNN
- Classification :
-
- Clustering :
- K-means
- spectral clustering
- DBSCAN
- Clustering :
Méthodes pédagogiques
- Exposés et échanges
- Etude de cas pratiques sous R
Evaluation des acquis
Questionnaire
Responsable pédagogique
BARON Alisson
Diplômée d’un Master Ingénierie Statistique pour les sciences du vivant à l’Université Paris Descartes, Alisson travaille trois ans en tant qu’ingénieure de recherche dans le secteur privé. Elle devient Data Scientist pour le service DATA’STAT d'Idele en 2021, assurant des formations et des appuis statistiques aux projets de recherche.
M'inscrire à la formation
Repas et hébergement
Déjeuners offerts. L'hébergement et les repas du soir ne sont ni gérés, ni pris en charge par l'Institut de l'Elevage.