← Toutes les formations Formations techniques

Formation Machine Learning & Deep Learning

Des premiers modèles scikit-learn aux réseaux de neurones avec PyTorch.

Prochaine session Lundi 7 décembre 2026 – mercredi 9 décembre 2026 Visioconférence ou présentiel à Aix-en-Provence

Réserver ma place Voir le programme
Objectifs

Ce que vous apprendrez

  • Cadrer un problème de classification ou de régression et préparer les données
  • Construire des pipelines scikit-learn sans fuite de données
  • Comparer modèles linéaires, arbres, forêts aléatoires et gradient boosting
  • Comprendre et entraîner un réseau de neurones avec PyTorch
  • Évaluer les modèles et justifier le choix entre Machine Learning classique et Deep Learning

Prérequis

  • Pratique de Python

Public concerné

Data analysts, développeurs, ingénieurs et profils scientifiques

Programme

3 jours de progression guidée et de pratique

Chaque partie combine explications, démonstrations, exercices et mise en application.

01

Jour 1 — Matin · Données et premiers modèles avec scikit-learn

  • Classification, régression, apprentissage et inférence : cadrer le problème
  • Explorer les données avec pandas : valeurs manquantes, variables et cible
  • Séparer entraînement, validation et test ; reconnaître les fuites de données
  • Prétraitement : imputation, encodage et normalisation avec ColumnTransformer et Pipeline
  • Atelier : construire une référence simple puis une régression linéaire ou logistique
02

Jour 1 — Après-midi · Comparer et améliorer les modèles ML

  • Arbres de décision, forêts aléatoires et gradient boosting : principes et compromis
  • Feature engineering : construire des variables utiles au problème
  • Choisir ses métriques : précision, rappel, F1, MAE et RMSE selon le cas
  • Validation croisée et recherche d’hyperparamètres avec RandomizedSearchCV
  • Atelier : comparer plusieurs pipelines scikit-learn et analyser leurs erreurs
03

Jour 2 — Matin · Du perceptron au réseau multicouche

  • Quand un réseau de neurones est-il pertinent face aux modèles classiques ?
  • Tenseurs, autograd et couches avec PyTorch
  • Fonctions d’activation, fonction de perte, rétropropagation et descente de gradient
  • Dataset, DataLoader et boucles d’entraînement et de validation
  • Atelier : entraîner un MLP et le comparer à la référence scikit-learn sur les mêmes données
04

Jour 2 — Après-midi · Fiabiliser l’entraînement

  • Lire les courbes et distinguer sous-apprentissage et surapprentissage
  • Taux d’apprentissage, SGD et Adam : observer leurs effets
  • Régularisation : weight decay, dropout et early stopping
  • Reproductibilité, sauvegarde du modèle et suivi des expériences
  • Atelier : diagnostiquer un réseau, corriger son entraînement et vérifier le résultat
05

Jour 3 — Matin · Réseaux convolutifs et transfert d’apprentissage

  • Convolutions, pooling et principes des CNN pour les images
  • Préparer et augmenter les données image
  • Adapter un modèle préentraîné avec PyTorch plutôt que tout réentraîner
  • Repères sur les embeddings, l’attention et les Transformers ; approfondissements sur mesure
  • Atelier guidé : adapter un classifieur d’images et analyser ses erreurs
06

Jour 3 — Après-midi · Projet final et évaluation

  • Reprendre le cas tabulaire fil rouge : données, pipeline et critères de réussite
  • Comparer un modèle scikit-learn et un réseau PyTorch avec le même protocole
  • Mesurer la qualité, les temps d’inférence et les limites des modèles
  • Documenter les résultats et les conditions de réutilisation
  • Projet final : présenter un prototype reproductible et justifier les choix techniques
À l’issue de la formation

Des compétences directement mobilisables

  • Construire un pipeline scikit-learn de préparation et de modélisation
  • Comparer des modèles supervisés sans fuite de données
  • Entraîner et régulariser un premier réseau PyTorch
  • Adapter un modèle préentraîné sur un cas guidé
  • Présenter les résultats, les compromis et les limites d’un projet ML ou DL
Tarifs

Pour vous ou pour votre équipe

Trois offres distinctes selon votre besoin : inscription individuelle, session dédiée à une équipe ou programme sur mesure.

Les sessions inter-entreprises ont lieu en visioconférence ou en présentiel chez Kitework Aix-en-Provence Les Milles – Coworking & Bureaux ; le format de chaque session est indiqué avec ses dates. Les tarifs sont indiqués par personne.

Inscription individuelle Inter-entreprise

1 personne

Machine Learning & Deep Learning3 jours
1 680 €HT / personne
RAG2 jours
1 480 €HT / personne
Agents IA2 jours
1 480 €HT / personne

Inscription individuelle à l’une des sessions programmées.

Voir les sessions programmées
Session dédiée Intra-entreprise

Une équipe

5 550 € HT / groupe

Tarif fixe par session. Jusqu’à 6 participants, aux dates choisies avec l’entreprise, dans vos locaux ou à distance.

Organiser une session d’équipe
Programme personnalisé Sur mesure

Programme adapté

Sur devis

Une formation adaptée aux objectifs, au niveau de l’équipe et aux cas d’usage de l’entreprise.

Demander un devis
Calendrier

Prochaines sessions

Dates Lundi 7 décembre 2026 – mercredi 9 décembre 2026
FormatVisioconférence ou présentiel à Aix-en-Provence
Tarif1 680 € HT par personne
Réserver ma place
Dates sur mesure

Vous avez une autre période en tête ?

Indiquez-moi vos disponibilités dans le formulaire : j’étudierai avec vous la possibilité d’organiser cette formation aux dates qui conviennent à votre équipe.

Proposer mes dates
Votre projet

Organiser cette formation pour vous ou votre équipe

Formation dans les locaux de votre entreprise partout en France, ou en visioconférence. Le programme peut être adapté à votre équipe.

Proposer des dates pour votre équipe