1 – Introduction

• Où trouve-t-on du machine learning ?
• Qu’est-ce que le machine learning ?
• Quelle règlementation autour de l’intelligence artificielle ?

2 – Les modèles linéaires

• Quels sont les algorithmes les plus simples ?
• Comment fonctionne l’apprentissage ?
• Comment évaluer un modèle ?

3 – Vers des modèles plus complexes

• Pourquoi les modèles linéaires ne suffisent pas ?
• Comment choisir les paramètres d’un modèle non-linéaire ?
• Comment combattre le sur-apprentissage ?

4 – Panorama des modèles prédictifs

• Qu’est-ce qu’un arbre de décision ?
• Comment combiner des arbres prarallèles en forêts aléatoires ?
• Comment combiner des arbres séquentiels avec le gradient boosting ?

5 – L’intelligence artificielle de confiance

• Comment rendre les modèles transparents ?
• Comment calculer les incertitudes des modèles ?
• Comment s’assurer que les modèles sont non-discriminants ?

6 – L’apprentissage non-supervisé

• Comment identifier des groupes similaires ?
• Comment détecter des anomalies ?
• Comment réduire la dimension d’un jeu de données ?

7 – Industrialisation du machine learning

• Quelles sont les technologies liées au Big Data ?
• Comment industrialiser un modèle ?
• Comment maîtriser le cycle de vie d’un modèle en production ?