Introduction au Machine Learning
Découvrez les algorithmes de Machine Learning, de la régression aux réseaux de neurones, avec des cas pratiques.
Programme mis à jour le 8 août 2026
L'essentiel
- Durée :
- 21h (3 jours)
- Format :
- Présentiel ou distanciel · cours du soir à distance, de 19h à 20h30
- Tarif :
- 2 100 € net par participant · parcours du soir 990 € net
- Prochaine date :
- session du 17 novembre 2026 (tarif anticipé 1 680 € net)
- Pour qui :
- data scientists juniors, développeurs
- Prérequis :
- Bases en Python
Prochaines sessions
12 places maximum par session en journée, pour garantir la qualité des travaux pratiques. Session confirmée dès 6 inscrits.
Aussi disponible en cours du soir
Le même programme, réparti en soirées d'1h30 de 19h à 20h30, à tarif réduit pour les particuliers et les indépendants. 30 places par parcours, ouvert dès 5 inscrits (remboursement intégral s'il n'ouvre pas).
Prix nets de taxes : LessonSharing est exonéré de TVA au titre de la formation professionnelle (art. 261-4-4° a du CGI). Tarif anticipé : valable jusqu'à 8 semaines avant le début de la session. Inscriptions groupées : dès 4 participants d'une même entreprise, la 4ᵉ place est offerte au tarif en vigueur (cumulable avec le tarif anticipé). Votre session ailleurs ou à d'autres dates : .
Programme
- Régression linéaire et logistique
- Arbres de décision et forêts aléatoires
- Clustering (K-Means)
- Introduction aux réseaux de neurones
Objectifs
- Comprendre les principaux algorithmes de ML
- Entraîner et évaluer des modèles
- Choisir l'algorithme adapté à son problème
Prérequis
- Bases en Python
- Notions de statistiques
Public cible
- Data scientists juniors
- Développeurs
- Analystes
Programme détaillé
Jour 1 : Fondamentaux et préparation des données
- Apprentissage supervisé, non supervisé : concepts et vocabulaire
- Le workflow d'un projet ML avec scikit-learn
- Préparation des données et feature engineering
- TP : premier modèle de régression linéaire
Jour 2 : Apprentissage supervisé
- Régression logistique et classification
- Arbres de décision et forêts aléatoires
- Métriques d'évaluation et validation croisée
- TP : entraîner et comparer des classifieurs
Jour 3 : Non supervisé et réseaux de neurones
- Clustering avec K-Means et réduction de dimension
- Introduction aux réseaux de neurones
- Choisir l'algorithme adapté à son problème
- TP de synthèse : mini-projet de bout en bout et évaluation
Modalités pratiques
Modalités et délais d'accès
Formation ouverte à tous, salariés, indépendants et particuliers : inscrivez-vous à une session planifiée du calendrier, ou demandez une formation dédiée à votre équipe (intra-entreprise, dates et lieu à convenir). Après votre demande d'inscription, nous vous recontactons sous 48 h ouvrées pour définir ensemble les modalités et planifier la session.
Méthodes pédagogiques
- Alternance d'apports théoriques et de mises en pratique (travaux dirigés, cas concrets)
- Formation animée par un formateur expert en activité sur le terrain
- Support de cours remis aux participants
Évaluation des acquis
- Évaluation continue des acquis au travers des exercices et travaux pratiques
- Questionnaire d'évaluation des acquis en fin de formation
- Attestation de fin de formation remise au stagiaire
Accessibilité handicap
Nos formations sont accessibles aux personnes en situation de handicap. Contactez notre référent handicap à [email protected] pour étudier ensemble les adaptations nécessaires. Consultez notre politique d'accessibilité.
Prêt à vous former ?
Inscrivez-vous dès maintenant ou contactez-nous pour un programme sur mesure.