[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-apprentissage-automatique-avance":3,"highlight-python-from sklearn.model_s":44},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":7,"maximumParticipants":7,"duration":17,"reference":18,"trainerType":7,"updated_at":19,"created_at":20,"price":21,"organizationMode":22,"theme":25,"code":29,"tags":34,"metadata":35},"/api/courses/bc8a8181-b343-11f1-a993-d8ca06000363","Apprentissage automatique avancé","apprentissage-automatique-avance",null,"Data scientists, ingénieurs IA, analystes confirmés, ingénieurs de recherche.","-   Pratique de Python et des bibliothèques d'analyse de données, connaissance des bases de l'apprentissage automatique.","-   concevoir et entraîner des modèles supervisés et non supervisés complexes\n-   mettre en œuvre les méthodes d'ensemble et le réglage des hyperparamètres\n-   évaluer rigoureusement un modèle et éviter les fuites de données\n-   interpréter les prédictions d'un modèle et en expliquer les limites","--day1--\n\n## Méthodologie et évaluation rigoureuse\n\n-   Formulation d'un problème et choix de la variable cible\n-   Séparation des jeux de données et validation croisée adaptée au contexte\n-   Fuites de données : formes, détection, conséquences\n-   Métriques selon l'enjeu métier et coût des erreurs\n-   Intervalle de confiance et significativité d'un écart de performance\n-   Travaux pratiques : audit méthodologique d'un projet d'apprentissage fourni et correction des biais\n\n--break--\n\n## Préparation avancée des données\n\n-   Ingénierie des variables et encodage des variables catégorielles\n-   Traitement des valeurs manquantes par imputation modélisée\n-   Variables temporelles, cycliques et hiérarchiques\n-   Classes déséquilibrées : rééchantillonnage, pondération, seuils\n-   Chaînes de transformation reproductibles et cohérence entre entraînement et inférence\n-   Travaux pratiques : construction d'une chaîne de préparation complète et reproductible\n\n--day2--\n\n## Méthodes d'ensemble\n\n-   Agrégation bootstrap et forêts aléatoires\n-   Renforcement par gradient et bibliothèques de référence\n-   Réglage des hyperparamètres des modèles à base d'arbres\n-   Empilement de modèles et combinaison de prédictions\n-   Comparaison des performances avec les approches neuronales sur données tabulaires\n-   Travaux pratiques : construction et comparaison de plusieurs modèles d'ensemble sur un jeu métier\n\n--break--\n\n## Réglage et sélection de modèles\n\n-   Recherche d'hyperparamètres : grille, aléatoire, optimisation bayésienne\n-   Budget de calcul et arrêt anticipé\n-   Sélection de variables et réduction de dimension\n-   Automatisation de la sélection de modèles et limites\n-   Reproductibilité des expérimentations\n-   Travaux pratiques : campagne d'optimisation d'hyperparamètres avec suivi des expérimentations\n\n--day3--\n\n## Apprentissage non supervisé\n\n-   Méthodes de partitionnement et choix du nombre de groupes\n-   Partitionnement hiérarchique et méthodes fondées sur la densité\n-   Réduction de dimension linéaire et non linéaire\n-   Détection d'anomalies : méthodes et évaluation en l'absence d'étiquettes\n-   Interprétation métier des groupes obtenus\n-   Travaux pratiques : segmentation d'une base clients et interprétation des groupes\n\n--break--\n\n## Séries temporelles et cas particuliers\n\n-   Spécificités des séries temporelles : validation, saisonnalité, tendance\n-   Modèles statistiques classiques et modèles d'apprentissage\n-   Prévision multi-horizon et intervalles de prédiction\n-   Données spatiales et données de graphes : aperçu\n-   Apprentissage sur données limitées et transfert\n-   Travaux pratiques : construction d'un modèle de prévision avec validation temporelle correcte\n\n--day4--\n\n## Interprétabilité et équité\n\n-   Modèles interprétables par construction et modèles opaques\n-   Importance des variables et méthodes d'explication locale\n-   Limites et pièges d'interprétation des méthodes d'explication\n-   Mesure des biais par sous-population et correction\n-   Documentation du modèle et information des utilisateurs\n-   Travaux pratiques : analyse d'explicabilité et d'équité d'un modèle entraîné\n\n--break--\n\n## De l'expérimentation à la production\n\n-   Écart entre performance en validation et performance en production\n-   Contraintes d'inférence : latence, volumétrie, ressources\n-   Dérive des données et surveillance des performances réelles\n-   Stratégie de réentraînement et de versionnement\n-   Documentation et transfert à l'équipe d'exploitation\n-   Travaux pratiques : préparation complète d'un modèle pour la mise en production","Présentiel, distanciel, hybride","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l’ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h ouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d’adapter la formation et ses modules, puis nous vous adresserons un devis.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.","28.00","L2-EXP-02","2026-09-18T11:42:27+00:00","2026-09-18T11:31:33+00:00","3160.00",{"id":23,"name":24},"/api/organization_mode_types/6","HYBRID",{"id":26,"name":27,"slug":28},"/api/themes/1bfd6e41-c2b0-4813-a29b-c9e1c486b5d0","Intelligence Artificielle","intelligence-artificielle",{"id":30,"label":31,"domain":32},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":33},"32 - Communication et information",[],{"desc-accroche":36,"Description":37,"icon-color":38,"icon-name":39,"code-langage":40,"code-snippet":41,"courte-description":42,"titre-accroche":43},"Allez au-delà des modèles de base : bagging et boosting, clustering et réduction de dimension, réglage des hyperparamètres, validation croisée rigoureuse et interprétabilité des prédictions avec SHAP.","Cette formation dépasse les modèles de base pour aborder les méthodes qui font la différence en production : bagging, boosting et forêts aléatoires, clustering et réduction de dimension pour l'apprentissage non supervisé, recherche d'hyperparamètres par validation croisée, et interprétabilité des prédictions avec des outils comme SHAP. Une large place est faite à la méthodologie d'évaluation : détection des fuites de données, choix des métriques adaptées au déséquilibre des classes, et lecture critique d'un score de performance. Les travaux pratiques s'appuient sur Python et les bibliothèques scikit-learn et pandas. Elle s'adresse aux data scientists, ingénieurs IA et analystes confirmés qui veulent fiabiliser leurs modèles avant mise en production.","#7C3AED","mdi:chart-bell-curve-cumulative","python","from sklearn.model_selection import cross_val_score\nfrom sklearn.ensemble import GradientBoostingClassifier\n\nmodel = GradientBoostingClassifier(n_estimators=300, max_depth=3)\nscores = cross_val_score(model, X, y, cv=5, scoring='roc_auc')\nprint(scores.mean())","Formation avancée en apprentissage automatique : méthodes d'ensemble, non supervisé, réglage des hyperparamètres et évaluation rigoureuse pour éviter les fuites de données.","Maîtrisez les méthodes d'ensemble, l'apprentissage non supervisé et l'évaluation rigoureuse des modèles pour éviter les illusions de performance.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-python\">\u003Cspan class=\"hljs-keyword\">from\u003C/span> sklearn.model_selection \u003Cspan class=\"hljs-keyword\">import\u003C/span> cross_val_score\n\u003Cspan class=\"hljs-keyword\">from\u003C/span> sklearn.ensemble \u003Cspan class=\"hljs-keyword\">import\u003C/span> GradientBoostingClassifier\n\nmodel = GradientBoostingClassifier(n_estimators=\u003Cspan class=\"hljs-number\">300\u003C/span>, max_depth=\u003Cspan class=\"hljs-number\">3\u003C/span>)\nscores = cross_val_score(model, X, y, cv=\u003Cspan class=\"hljs-number\">5\u003C/span>, scoring=\u003Cspan class=\"hljs-string\">'roc_auc'\u003C/span>)\n\u003Cspan class=\"hljs-built_in\">print\u003C/span>(scores.mean())\u003C/code>\u003C/pre>",1789740844484]