Machine learning
Plongez dans le monde fascinant du machine learning et découvrez comment les machines apprennent à partir des données !
Ce cours en ligne propose une introduction complète aux fondamentaux de l’apprentissage automatique :
Compréhension des principaux types d’apprentissage (supervisé, non supervisé, par renforcement)
Exploration des algorithmes classiques (régression, arbres de décision, k-means, SVM, etc.)
Initiation aux réseaux de neurones et aux bases du deep learning
Études de cas pratiques pour relier la théorie à des applications réelles
💡 Une nouveauté exclusive : vous serez accompagné tout au long du parcours par DeepFix, un outil d'auto-évaluation conçu pour vous guider pendant les travaux dirigés (TD) et vos projets.
DeepFix vous aide à :
Proposer des pistes d’optimisation et de bonnes pratiques
Vous orienter vers des ressources complémentaires personnalisées
Forum: si vous avez des questions, veuillez créer un post dans le Forum.
🎯 Objectif du cours :
À la fin de ce programme, vous serez capable de concevoir, entraîner et évaluer vos propres modèles de machine learning, tout en bénéficiant de l’assistance intelligente de DeepFix.
📍 Format : 100 % en ligne – vidéos interactives, exercices pratiques, et assistance IA en temps réel.
| Responsable | Fadel Mamar Seydou |
|---|---|
| Dernière mise à jour | 03/12/2025 |
| Temps d'achèvement | 1 jour 8 heures 41 minutes |
| Membres | 14 |
-
Présentation du cours3Leçons · 5 min
-
Aperçu
-
Aperçu
-
Aperçu
-
-
Présentation du machine learning4Leçons · 17 min
-
Aperçu
-
Pourquoi utiliser le machine learning?
-
Types de problèmes de machine learning
-
Illustration
-
-
Apprentissage supervisé: régression linéaire10Leçons · 2 h 38 min
-
Aperçu
-
Aperçu
-
Aperçu
-
Aperçu
-
Comment choisir une fonction coût?
-
Optimisation: la méthode des moindres carrés
-
Optimisation: méthode de la descente de gradient
-
Illustration de la descente de gradient
-
[Bonus] Optimisation: méthode par maximisation de vraisemblance
-
Généralisation, sur-apprentissage, sous-apprentissage
-
-
Travaux dirigés 11Leçons · 2 h
-
Aperçu
-
-
Sur-apprentissage et régularisation2Leçons · 45 min
-
Régularisation avec Ridge
-
Régularisation Lasso et Elastic net
-
-
Travaux dirigés 21Leçons · 2 h
-
Aperçu
-
-
Sélection de modèle et évaluation5Leçons · 1 h 57 min
-
Evaluer et sélectionner un modèle
-
Jeux de donnees: entrainement, test et validation
-
La validation croisée
-
Compromis biais-variance
-
Décomposition biais-variance
-
-
Optimisation d’hyperparamètres1Leçons · 10 min
-
Recherche en grille & recherche aléatoire
-
-
Travaux dirigés 31Leçons · 2 h
-
Aperçu
-
-
Apprentissage supervisé: classification4Leçons · 1 h 20 min
-
Régression logistique & classification binaire
-
Classification multi-classe
-
Critères de performance
-
Autres algorithmes de classification
-
-
Travaux dirigés 41Leçons · 2 h
-
Aperçu
-
-
Réduction de dimension5Leçons · 1 h 24 min
-
Pourquoi réduire la dimension?
-
Fléau de la dimension
-
Réduction par sélection de variables
-
Réduction par extraction de variables
-
[Bonus] Réduction par extraction de variables
-
-
Apprentissage supervisé: méthodes à noyaux1Leçons · 20 min
-
Illustration avec les SVM
-
-
Travaux dirigés 51Leçons · 2 h
-
Aperçu
-
-
Apprentissage non-supervisé: clustering4Leçons · 1 h
-
Introduction
-
Méthode des k-moyennes (k-means)
-
Méthode de modèle de mélange gaussien
-
Evaluation de la qualite d'un algorithme de clustering
-
-
Travaux dirigés 61Leçons · 2 h
-
Aperçu
-
-
Projet guidé5Leçons · 6 h 45 min
-
Aperçu
-
Aperçu
-
Aperçu
-
Aperçu
-
Aperçu
-
-
Projets non-guidés1Leçons · 4 h
-
Aperçu
-