Apprentissage supervisé : de zéro à un projet professionnel

Un parcours complet et progressif : du vocabulaire de base à la mise en production d'un modèle. Type de problème, préparation des données, algorithmes de classification et de régression, métriques et coûts métier, pipelines anti-fuite, interprétabilité, déploiement et surveillance — avec dix travaux pratiques et un projet final.

IntermédiaireAOA-ML-101
01

Fondations : IA, ML et apprentissage supervisé

Accès libre0 / 5
02

Vocabulaire essentiel du Machine Learning

Accès libre0 / 6
03

Identifier le type de problème

Accès libre0 / 3
04

Cycle de vie d'un projet Machine Learning

Abonnement0 / 2
05

Analyse exploratoire des données (EDA)

Abonnement0 / 6
06

Nettoyage des données

Abonnement0 / 5
07

Transformer les données

Abonnement0 / 5
08

Séparer les données : Train, Validation, Test

Abonnement0 / 4
09

Entraîner le modèle

Abonnement0 / 3
10

Généralisation, overfitting et underfitting

Abonnement0 / 4
11

Validation croisée et optimisation des hyperparamètres

Abonnement0 / 3
12

Algorithmes de classification

Abonnement0 / 9
13

Algorithmes de régression

Abonnement0 / 7
14

Données déséquilibrées et rééchantillonnage

Abonnement0 / 3
15

Matrice de confusion

Abonnement0 / 2
16

Métriques de classification

Abonnement0 / 14
17

Métriques de régression

Abonnement0 / 10
18

Choisir la métrique selon le métier

Abonnement0 / 2
19

Pipelines Scikit-learn professionnels

Abonnement0 / 5
20

Interprétabilité des modèles

Abonnement0 / 2
21

Déploiement et surveillance en production

Abonnement0 / 3
22

Erreurs fréquentes et workflow professionnel

Abonnement0 / 3
23

Travaux pratiques (10 TP)

Abonnement0 / 11
24

Projet final

Abonnement0 / 2
25

Annexes : glossaire et fiches de référence

Abonnement0 / 5