Introduction au Machine Learning : méthodes statistiques de prédiction, quantification d’incertitude, mise en œuvre sous Python Présentiel
Dernière mise à jour : 26/11/2025
Unité de recherche
Description
1er jour
- Motivation : lien entre problématique appliquée/question de Machine Learning
- Cadre conceptuel de l'apprentissage supervisé (régression, classification)
- Estimation d'erreur de prédiction (validation simple, validation croisée)
- Workflow du Machine Learning pour la recherche d'un bon modèle prédictif
- Algorithmes prédictifs basés sur les arbres : arbres CART, méthode d'ensemble (Bagging et Random Forest), méthodes de Boosting (Gradient Boosting, XGBoost, LightGBM)
- Interprétation, identification des variables importantes et de leur effet
- Mise en œuvre sur des études de cas avec Scikit-Learn
2ème jour
- Modèles simples de réseau de neurones (Multi Layer Perceptron)
- Entraînement par descente du gradient stochastique et calcul de rétropropagation du gradient
- Régularisation des réseaux de neurones : pénalisation, Dropout, Early Stopping, Batch Normalisation
- Réseaux de neurones pour les données structurées (Convolutional Neural Network pour les images,
- Recurrent Neural Nets pour les séries temporelles)
- Mise en œuvre sur des études de cas avec Keras/Tensorflow
3ème jour
- Quantification d'incertitude de prédiction
- Prévision probabiliste et régression distributionnelle
- Réseaux de neurones bayésiens
- Mise en œuvre sur des études de cas sous Python
Objectifs de la formation
- Conceptualiser la notion de prédiction dans le cadre de l'apprentissage supervisé en régression et classification
- Comprendre les principaux algorithmes de prédiction en Machine Learning tels que Random Forest, Gradient Boosting et Neural Network
- Entrainer des modèles prédictifs, évaluer leurs performances et sélectionner le meilleur modèle
- Quantifier l'incertitude de prédiction grâce à la prédiction probabiliste et aux réseaux de neurones bayésiens
- Mettre en œuvre sur des cas concrets avec Python (Scikit Learn et Keras/TensorFLow)
Public visé
Techniciens supérieurs, ingénieurs ou chercheurs désireux de découvrir les notions essentielles des sciences des données et du Machine Learning et de savoir les mettre en œuvre sur des cas d'étude ; chargés de R&D souhaitant valoriser une base de données.
Prérequis
Bases du langage de programmation Python, bases de l'algorithmique, notions élémentaires de statistiques.
Modalités pédagogiques
La formation contiendra environ 50% de cours et 50% de TP sous Python. Pour chaque demi-journée, 1h45 de cours et 1h45 de TP sont prévues. Formation disponible en hybride avec la possibilité d'accueillir simultanément des étudiants en présentiel ou à distance.
Moyens et supports pédagogiques
A distance : ordinateur avec les logiciels (libres) nécessaires à la formation préalablement installés (liste communiquée avant le début de la formation).
En présentiel : ordinateur personnel ou salle de TP du laboratoire de mathématiques de Besançon mise à disposition.
Transparents de cours et Notebook python corrigés (format PDF et Jupyter) remis aux participants à l'issue de la formation.
Modalités d'évaluation et de suivi
Un suivi individualisé par des évaluations formatives est assuré. Une attestation de fin de formation est délivrée à la fin du parcours.
Formateurs
Modalités tarifaires spécifiques
Nos formations sont exonérées de TVA. Elles bénéficient de remises volumes : - 5% pour 3-4 inscrits, - 10% pour 5-6 inscrits, et - 20% à partir de 7 personnes. Une réduction de 20% est appliquée pour les agents salariés du CNRS.