Data Analyse et le Machine Learning : De la théorie à la pratique des bases de l'IA

Jour 1 - Data Analyse

Introduction à l'IA

• Concepts clés de l'IA
• Applications de l'IA dans le monde réel
• Limites et risques de l'IA (biais, attaques)

Analyse univariée des données

• Statistiques descriptives (moyenne, médiane, écart-type, quartiles)
• Distribution (lois de probabilités)
• Visualisation de données (types de graphiques, interprétation)
• Nettoyage des données (gestion des valeurs manquantes, des doublons, des outliers)

Transformation de données

• Normalisation et logarisation des données
• Transformation des variables qualitatives (one-hot encoder)
• Création de nouvelles colonnes (feature engineering)

Analyse multivariée

• Méthodes fondamentales d'analyse multivariée (corrélations, tendances, patterns)
• Tests statistiques (intuition, types, interprétation)

Jour 2 - Machine Learning

Bases du machine learning

• Analyse sémantique : Intelligence Artificielle, Machine Learning, Deep Learning
• Principe d'une prédiction (backtesting, correlation, causalité)
• Type d'apprentissage des modèles (supervisé, non-supervisé)
• Types de problèmes (regression, classification)

Mise en place d'un modèle

• Mise en place d'un modèle, méthodologie d'une modélisation
• Optimisation (cross validation, overfitting, complexité des modèles)
• Mesures de performance (RMSE, matrice de confusion, précision)

Analyse de modèles fondateurs

• Régression linéaire et logistique (poids, descente de gradients, sigmoide)
• Arbre de classification et Random Forest (mesure de split, profondeur, voting)
• K-means (centroids, mesure du coude / silhouette)

Approche métier

• Combinaison des approches quantitative et métier (choix des mesures, pondération)
• Interprétation des modèles (globale et locale)
• Jeux de données déséquilibrés (LIME, SHAP)

Modèles avancés

• Deep Learning (réseaux neuronaux, réseaux convolutionnels, NLP)
• Transfer Learning