1 – Introduction

• Où trouve-t-on du machine learning ? Les systèmes d’aide à la décision, les séries temporelles, le traitement automatique d’images, le traitement du langage naturel.
• Qu’est-ce que le machine learning ? Brève histoire de l’intelligence artificielle, l’automatisation des tâches intellectuelles, les avantages et inconvénients du machine learning, illustration sur la détection de spam.
• Quelle règlementation autour de l’intelligence artificielle ? L’AI Act, les exigences de la future règlementation européenne sur les intelligences artificielles, les cas d’usage à haut risque, l’écosystème des labels et des normes.

2 – Les modèles linéaires

• Quels sont les algorithmes les plus simples ? La moyenne, la régression linéaire et la régression logistique.
• Comment fonctionne l’apprentissage ? La descente de gradient, la descente de gradient par batch ou stochastique, application au jeu de données Boston.
• Comment évaluer un modèle ? Les métriques de performances en régression, en classification, le jeu de test.

3 – Vers des modèles plus complexes

• Pourquoi les modèles linéaires ne suffisent pas ? Les signaux non-linéaires, la régression polynomiale, le sur-apprentissage.
• Comment choisir les paramètres d’un modèle non-linéaire ? Le compromis biais/variance, les paramètres de complexité des modèles.
• Comment combattre le sur-apprentissage ? Le jeu de validation, application au jeu de données Titanic.

4 – Panorama des modèles prédictifs

• Qu’est-ce qu’un arbre de décision ? Construction de l’arbre pas à pas, en régression, en classification, élagage des arbres et compromis biais/variance.
• Comment combiner des arbres parallèles en forêts aléatoires ? Les perturbations par bootstrap et le bagging, le feature sampling, avantages et inconvénients des forêts aléatoires.
• Comment combiner des arbres séquentiels avec le gradient boosting ? Le principe du boosting,
  l’algorithme historique : Adaboost, application au jeu de données Titanic.

5 – L’intelligence artificielle de confiance

• Comment rendre les modèles transparents ? La notion d’explicabilité, propriétés attendues d’un
  modèle explicable, importance de permutation, les valeurs de Shapley, explainable boosting machine.
• Comment calculer les incertitudes des modèles ? Applications industrielles, la librairie open-source
  MAPIE, couvertures marginales et conditionnelles, application aux séries temporelles.
• Comment s’assurer que les modèles sont non-discriminants ? Applications business, les différents biais dont se nourrissent les intelligences artificielles, mesurer et corriger un biais, application au cas du recrutement automatique.

6 – L’apprentissage non-supervisé

• Comment identifier des groupes similaires ? Les cas d’usage de segmentation, les algorithmes K-means et DBSCAN et leurs limitations, l’absence de métrique de performance.
• Comment détecter des anomalies ? Les cas d’usage de détection d’anomalies, les algorithmes basés sur des distances ou sur la densité, application à la détection de pulsation cardiaques anormales.
• Comment réduire la dimension d’un jeu de données ? Les cas d’usage de la réduction de dimension, l’analyse en composantes principales et la projection sur des variétés. Application au jeu de données MNIST.

7 – Industrialisation du machine learning

• Quelles sont les technologies liées au Big Data ? Les 4 V du Big Data, panorama technologique, la stack hadoop/spark, les providers cloud.
• Comment industrialiser un modèle ? Les produits à base d’intelligence artificielle, les profils nécessaires au cours d’un projet applicatif, la chaîne de décision au cours d’un projet.
• Comment maîtriser le cycle de vie d’un modèle en production ? Le cycle de vie des modèles et analogie avec l’épopée industrielle de la voiture, les neuf étapes du cycle de vie des modèles.