L'organisme de formation continue du CNRS
Accueil > Fondements et pratique du machine learning et du deep learning

Formation - Fondements et pratique du machine learning et du deep learning

Se préinscrire ou s'inscrire à cette formation Télécharger cette fiche
Environnement scientifique et technique de la formation

Unité de mathématiques pures et appliquées

- UMR 5669
RESPONSABLE

Aurélien GARIVIER

Professeur

UMR 5669

LIEU

distance (00)

ORGANISATION

Formation sur 10 demi-journées (matinées)
De 6 à 16 stagiaires

MÉTHODES PÉDAGOGIQUES

- Formation à distance
- Alternance de cours (2/3) et de TD (1/3) sous Python, Anaconda avec la bibliothèque scikit-learn
Tout au long de la formation, des exercices corrigés permettront au stagiaire d'évaluer son acquisition des connaissances.
En fin de formation, une évaluation sera effectuée et une correction collective commentée permettra au stagiaire de se positionner sur l'atteinte des objectifs de la formation.
Un fichier au format PDF et des Notebooks Python seront mis à disposition du stagiaire.

COÛT PÉDAGOGIQUE

2856 Euros

A L'ISSUE DE LA FORMATION

Evaluation de la formation par les stagiaires
Envoi d'une attestation de formation

DATE DU STAGE

25014 : du lundi 06/10/2025 au vendredi 17/10/2025 à distance

2025
Janvier Février Mars Avril
Mai Juin Juillet Août
Sept Oct
25014		 Nov Déc
À distance
OBJECTIFS
-

Connaître les principaux algorithmes de machine learning pour l'apprentissage supervisé et non-supervisé


-

Comprendre les concepts et le fonctionnement de ces algorithmes


-

Être capable de les mettre en oeuvre avec Python


-

Être capable d'identifier le type d'apprentissage adapté à un cas d'usage et de choisir les algorithmes de machine learning adaptés


-

Savoir évaluer les performances des algorithmes de machine learning

PUBLICS
Ingénieurs ou chercheurs désireux de découvrir les notions essentielles de l'apprentissage statistique et de savoir les mettre en ?uvre sur des cas d'étude. Il ne s'agit pas seulement d'apprendre à utiliser des algorithmes pré-programmés, mais également de comprendre les modèles qui les sous-tendent et les limites de leur utilisation.
Prérequis : niveau Bac + 3 minimum en mathématiques (algèbre linéaire, optimisation de fonctions, probabilités élémentaires). Des connaissances de base en statistique et sur le langage Python seront utiles.
PROGRAMME
- Qu'est-ce que le machine learning ?
- Les données du machine learning
- Visualisation, Feature Engineering
- Apprentissage non supervisé
- Réduction de dimension
- Premiers algorithmes de classification et de régression
- Arbres de classification et de régression
- Méthodes d'ensembles
- Sélection de modèles pour la régression
- Séparateurs linéaires optimaux et noyaux
- Optimisation avec gradients
- Réseaux de neurones et deep learning
Selon les attentes des participants, la dernière séance sera consacrée à l'un des thèmes suivants :
- Tests multiples
- Machine learning et équité
- Apprentissage et confidentialité
- Introduction à l'apprentissage par renforcement
- Apprentissage pour la recommandation
Une séance (3 h) sera consacrée à l'analyse de données apportées par les stagiaires à des fins pédagogiques sous réserve de l'accord préalable du responsable de la formation.
EQUIPEMENT
Il est demandé aux stagiaires d'être équipés d'un ordinateur portable avec connexion internet, micro et webcam avec une distribution Anaconda / Python préinstallée.
INTERVENANTS
A. Garivier (professeur), R. Gribonval (directeur de recherche), M. Massias et T. Vayer (chargés de recherche)