Machine Learning
11 Modules ~40 heures Débutant → Avancé
Maîtrisez le Machine Learning de bout en bout : fondations math, algorithmes supervisés/non-supervisés, feature engineering, évaluation, réseaux de neurones, et ML en production. Mène vers nos cours MLflow et llm-development.
Roadmap du cours
| # | Module | Statut | Sujets |
|---|---|---|---|
| 0 | Setup & rappel math | Plan prêt | Python, numpy, pandas, algèbre linéaire essentielle, calcul pour gradients |
| 1 | Fondamentaux ML | Plan prêt | Supervisé vs non-supervisé vs RL, split train/val/test, biais-variance |
| 2 | Modèles linéaires | Plan prêt | Régression linéaire/logistique, régularisation (L1/L2), gradient descent |
| 3 | Modèles à arbres | Plan prêt | Arbres décision, random forests, gradient boosting (XGBoost, LightGBM) |
| 4 | Apprentissage non-supervisé | Plan prêt | k-means, DBSCAN, hiérarchique, PCA, t-SNE, UMAP |
| 5 | Feature engineering | Plan prêt | Encoding, scaling, target encoding, sélection, détection de leakage |
| 6 | Évaluation de modèle | Plan prêt | Cross-validation, métriques (precision, recall, AUC, MAE), analyse d'erreur |
| 7 | Réseaux de neurones | Plan prêt | Perceptron → MLP → backprop, bases PyTorch, usage GPU |
| 8 | Architectures deep learning | Plan prêt | CNN, RNN/LSTM, introduction Transformers |
| 9 | ML en production | Plan prêt | Vue d'ensemble MLOps, model registry, monitoring, drift, fairness |
| 10 | Capstone | Plan prêt | Construire un pipeline ML bout-à-bout : données → modèle → enregistré → API |
Disponible maintenant
Plan de curriculum publié. Contenu déployé 2026 S2.
Cours liés :
- Python — fondations du langage
- MLflow — tracker et servir modèles (cours complet déjà)
- llm-development — techniques spécifiques LLM
Dernière mise à jour
2026-05 — Plan de curriculum publié.