Cours d'introduction au Machine Learning avec les acquis suivants attendus :
1 Connaissances générales
- Distinguer apprentissage supervisé, non supervisé et par renforcement
- Comprendre le pipeline ML : données → prétraitement → modèle → évaluation
- Identifier les risques de surapprentissage (overfitting) et comprendre la notion de biais/variance
- Connaître les principales métriques d’évaluation (accuracy, précision, rappel, F1, etc.)
- Avoir une vision des grandes familles de modèles (k-NN, régression logistique, arbres, clustering, réseaux de neurones, CNN,
RL)
2 Compétences pratiques
- Manipuler un dataset simple avec pandas / sklearn
- Mettre en place un split train/test et une validation croisée
- Entraîner et comparer plusieurs modèles de classification (ex. k-NN, logistique, arbre)
- Lire et interpréter une matrice de confusion
- Utiliser un algorithme de clustering pour explorer des données sans étiquettes
- Comprendre le principe d’un agent en apprentissage par renforcement (actions, récompenses, politique)
- Utiliser Google Colab pour exécuter des notebooks ML
3 Culture générale IA
-
Connaître des exemples concrets d’application ML (santé, vision, traitement de texte, jeux, etc.)
-
Avoir une vision critique : forces, limites et enjeux éthiques du ML
- Enseignant: Léo Mendiboure