Descriptif

Apprentissage automatique avancé est une formation de 3 jours (21 heures), de niveau expert, rattachée au domaine « Intelligence artificielle expert ». Maîtriser les méthodes avancées d'apprentissage supervisé et non supervisé. Conçue et animée par des praticiens en activité, elle alterne apports ciblés (30 %) et mises en pratique (70 %) sur des laboratoires cloud individuels, avec des cas inspirés des secteurs banque, assurance et services publics. Disponible en inter-entreprises, en intra sur catalogue et en version sur mesure adaptée au contexte de l'entreprise.

Objectifs pédagogiques

À l'issue de la formation, le participant sera capable de :

Ensembles
Séries temporelles
Non supervisé
Déséquilibre
Interprétabilité

Programme détaillé

N°	Contenus et activités	Durée
Jour 1
1	Cadrage : positionnement sur les méthodes d'ensemble, présentation du jeu fictif fil rouge (résiliation d'abonnés, 400 000 lignes) et du dépôt d'expériences	0,5 h
2	Bagging, boosting et gradient boosting : ce que XGBoost, LightGBM et CatBoost traitent différemment	1,5 h
3	Travaux pratiques : entraîner et régler XGBoost par recherche bayésienne avec Optuna, suivre AUC-ROC, AUC-PR et log-loss en validation croisée stratifiée	3 h
4	Laboratoire : empilement de modèles et calibration des probabilités — courbe de fiabilité, Platt, isotonique, score de Brier	2 h
Jour 2
5	Travaux pratiques : validation croisée temporelle, fuites de données et variables décalées sur un jeu fictif de consommation énergétique	2,5 h
6	Laboratoire : comparer une référence saisonnière, un gradient boosting sur fenêtres glissantes et un modèle récurrent — MAE, sMAPE, MASE et intervalles de prédiction	2,5 h
7	Atelier : classes déséquilibrées à 1 pour 500 — rééchantillonnage, SMOTE, pondération et seuil de décision optimisé sur le coût métier	2 h
Jour 3
8	Travaux pratiques : segmentation sur données mixtes — k-means, DBSCAN, HDBSCAN et mélanges gaussiens, en tranchant avec la silhouette, l'indice de Davies-Bouldin et la stabilité par rééchantillonnage	2,5 h
9	Laboratoire : détection d'anomalies par Isolation Forest et autoencodeur, mesure de la dérive par indice de stabilité de population et test de Kolmogorov-Smirnov	1,5 h
10	Atelier : interprétabilité avec SHAP, importance par permutation et graphiques de dépendance partielle — repérer une corrélation trompeuse et la documenter	2 h
11	Synthèse : soutenance courte des résultats par binôme, évaluation des acquis et plan d'action individuel	1 h

Méthodes pédagogiques

Pédagogie active : 86 % du temps en pratique encadrée — laboratoires cloud provisionnés par participant, travaux pratiques guidés, fil rouge applicatif —, le reste en apports structurés, démonstrations commentées, cadrage et évaluation
répartition calculée sur le déroulé détaillé de cette formation, et non annoncée de façon uniforme
classe inversée avec prérequis sur le LMS
apprentissage adaptatif selon le positionnement initial
travaux en binômes
classe virtuelle en séquences de 3 h 30 maximum sur Microsoft Teams
support clair, complet et paginé remis à chaque participant

Technologies et outils mobilisés

PyTorch, scikit-learn, XGBoost

Modalités d'évaluation et de validation

Positionnement initial en ligne
quiz de validation à chaque séquence
évaluation finale des acquis (QCM et mise en situation)
satisfaction à chaud
questionnaire de transfert à 30 jours
attestation de fin de formation

Plateforme, laboratoires et ressources

LMS DATAROCKSTARS : parcours, supports numériques, quiz, évaluations, émargement par demi-journée
laboratoires cloud individuels accessibles depuis un navigateur, sans installation, données fictives, détruits en fin de session
bibliothèque O'Reilly (plus de 60 000 ressources)
accès aux supports pendant 6 mois