Deep Learning et algorithmes de Machine Learning en Python
About Course
Le Deep Learning entraîne des réseaux de neurones profonds capables d’apprendre des représentations complexes, mais il s’inscrit dans une famille plus large d’algorithmes d’apprentissage. Ce cours parcourt cette famille de manière progressive : l’histoire du domaine, des algorithmes fondamentaux mis en œuvre en Python (régression logistique, arbres de décision, forêts aléatoires, K-means) jusqu’aux principes des réseaux de neurones profonds.
Les modules du cours
- Clustering et apprentissage non supervisé : maîtriser le K-means en Python : Regrouper automatiquement des observations similaires et maîtriser l’algorithme K-means en Python.
- Arbres de décision et forêts aléatoires : de la théorie au code Python : Comprendre et coder des arbres de décision et des forêts aléatoires, de la théorie à la pratique.
- Introduction au Deep Learning : des neurones aux machines intelligentes : Découvrir le fonctionnement des réseaux de neurones profonds et de leurs couches successives.
- La régression logistique : de la donnée à la décision : Estimer une probabilité de classe et transformer un modèle de classification en aide à la décision.
- Histoire du Machine Learning et du Deep Learning : de 1943 à l’IA générative : Retracer l’évolution du domaine, des premiers neurones formels de 1943 à l’IA générative.
Ce que vous apprendrez
- Situer le Deep Learning dans l’histoire et le paysage du Machine Learning.
- Distinguer apprentissage supervisé et non supervisé et choisir l’approche adaptée.
- Mettre en œuvre K-means, régression logistique, arbres et forêts aléatoires en Python.
- Comprendre l’architecture et l’entraînement d’un réseau de neurones profond.
- Interpréter les résultats d’un modèle pour éclairer une décision métier.
À qui s’adresse ce cours
- CTO et responsables techniques qui veulent comprendre les modèles qu’ils financent.
- Ingénieurs et développeurs qui souhaitent s’initier au Machine Learning en Python.
- Responsables data et analystes qui veulent consolider leurs bases algorithmiques.
Chaque module comprend une synthèse, une carte mentale, un support PDF, une étude de cas, un plan d’action 30-60-90 jours et un quiz de 10 questions (seuil de réussite : 70 %). Ce cours est intégré au programme Executive MBA CTO Program de l’École du Management.
Course Content
Clustering et apprentissage non supervisé : maîtriser le K-means en Python
-
Synthèse du module, carte mentale et support PDF
-
Étude de cas et plan d’action
-
Quiz de validation – Clustering et apprentissage non supervisé : maîtriser le K-means en Python