Catalogue Machine Learning — Mandragore Academy

ChatGPT Claude AI Machine Learning AI Agents & Agentic Systems

Catalogue Machine Learning

Du débutant à l'expert — achetez à l'unité ou en pack avec attestation de réussite.

Chaque cours réunit 8 leçons interactives dans un Learning Workspace conçu pour transformer les connaissances en compétences opérationnelles. Leçons guidées, quiz dynamiques, accompagnement conversationnel, cas pratiques, ressources complémentaires et suivi de progression vous permettent d'apprendre efficacement, à votre rythme. Les 15 cours suivent une progression par niveaux, du cadrage d'un problème de Machine Learning jusqu'au déploiement, à la supervision et à la défense d'une solution prédictive complète.

🎓 15 cours • 📚 120 leçons interactives • ⏱️ 45 à 75 heures de formation conversationnelle

Aperçu d'une leçon dans le Learning Workspace

Niveau 1 — 9,90 € HT Niveau 2 — 12,90 € HT Niveau 3 — 15,90 € HT Niveau 4 — 18,90 € HT Niveau 5 — 24,90 € HT

⭐ Meilleure offre

Machine Learning — Pack Complet (15 parcours)

ML01 → ML15 · 1 800 crédits inclus

🎓 Attestation : "ML professionnel" 247,50 €

📚 15 parcours 📖 120 leçons ⏱ 45 à 75 h ⚡ 1800 crédits inclus

142,90 € HT

Économie : 104,60 €

Pack Fondations du Machine Learning 3 cours Niveau 1

🎓 Attestation : ML — Fondations du Machine Learning

📚 3 parcours 📖 24 leçons ⏱ 9 à 15 h ⚡ 240 crédits inclus

29,70 €

22,90 HT

Économie : 6,80 €

01 Niveau 1

Comprendre le Machine Learning et cadrer un problème

transformer un besoin métier en problème de Machine Learning mesurable et décider si le ML est réellement pertinent

Comprendre ce que le Machine Learning apporte réellement Distinguer apprentissage supervisé et non supervisé Identifier classification, régression et autres familles de problèmes Définir features, cible, observations et prédictions Distinguer entraînement, validation et inférence Construire une baseline avant tout modèle complexe Définir métriques techniques et critères de succès métier Atelier : décider si un problème nécessite réellement du Machine Learning

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 80 crédits inclus

02 Niveau 1

Préparer et explorer les données pour le Machine Learning

construire un jeu de données exploitable sans introduire de biais, de fuite de données ou d’incohérences

Explorer distributions, types et qualité des données Gérer valeurs manquantes et valeurs aberrantes Préparer variables numériques et catégorielles Encoder les catégories sans introduire d’information future Mettre à l’échelle les variables lorsque le modèle l’exige Repérer déséquilibres et représentativité insuffisante Construire les jeux train, validation et test sans fuite de données Atelier : auditer et préparer un dataset avant modélisation

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 80 crédits inclus

03 Niveau 1

Construire un premier pipeline ML reproductible

enchaîner prétraitement, entraînement, prédiction et évaluation dans un workflow reproductible

Installer un environnement ML reproductible Construire une baseline avec scikit-learn Créer les transformations de prétraitement Assembler preprocessing et modèle avec Pipeline Entraîner le pipeline et générer des prédictions Calculer et vérifier les premières métriques Sauvegarder configuration, données de référence et artefacts utiles Atelier : livrer un premier pipeline ML reproductible

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 80 crédits inclus

Pack Modèles supervisés 3 cours Niveau 2

🎓 Attestation : ML — Modèles supervisés

📚 3 parcours 📖 24 leçons ⏱ 9 à 15 h ⚡ 300 crédits inclus

38,70 €

28,90 HT

Économie : 9,80 €

04 Niveau 2

Résoudre des problèmes de régression

concevoir, comparer et évaluer des modèles destinés à prédire une valeur numérique

Comprendre une cible continue et construire une baseline Construire une régression linéaire Comprendre la régularisation et son intérêt Utiliser arbres et ensembles pour la régression Choisir entre MAE, MSE et RMSE Interpréter R² sans le surévaluer Analyser résidus et erreurs par segment Atelier : comparer plusieurs modèles de régression sur un besoin métier

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 100 crédits inclus

05 Niveau 2

Résoudre des problèmes de classification

construire des modèles de classification et choisir les métriques et seuils adaptés au coût réel des erreurs

Comprendre les classes et construire une baseline Construire une régression logistique Utiliser arbres et Random Forest Découvrir les méthodes de boosting Lire une matrice de confusion Comparer precision, recall et F1 Utiliser ROC-AUC, PR-AUC et ajuster le seuil de décision Atelier : choisir un classifieur selon le coût des erreurs

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 100 crédits inclus

06 Niveau 2

Évaluer correctement et comparer les modèles

obtenir une estimation fiable de la performance et éviter les conclusions trompeuses lors de la sélection d’un modèle

Comprendre le risque d’une évaluation trop optimiste Utiliser un hold-out correctement Évaluer avec cross-validation Stratifier les données lorsque nécessaire Respecter l’ordre temporel avec un time split Comparer plusieurs modèles sur des métriques cohérentes Calibrer probabilités et réserver le test final Atelier : construire un protocole d’évaluation défendable

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 100 crédits inclus

Pack Modélisation avancée 3 cours Niveau 3

🎓 Attestation : ML — Modélisation avancée

📚 3 parcours 📖 24 leçons ⏱ 9 à 15 h ⚡ 360 crédits inclus

47,70 €

35,90 HT

Économie : 11,80 €

07 Niveau 3

Concevoir et sélectionner les features

créer des variables informatives sans fuite de données et réduire la complexité lorsque cela améliore le modèle

Comprendre le rôle du feature engineering Créer des variables numériques et transformations utiles Créer des variables temporelles sans fuite d’information Construire interactions et agrégats Détecter redondance et multicolinéarité Utiliser méthodes de sélection de features Encapsuler feature engineering et sélection dans le pipeline Atelier : améliorer un modèle par des features justifiées

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 120 crédits inclus

08 Niveau 3

Optimiser modèles et hyperparamètres

réduire underfitting et overfitting et rechercher des hyperparamètres sans contaminer l’évaluation finale

Comprendre underfitting, overfitting, biais et variance Identifier paramètres appris et hyperparamètres Construire un Grid Search avec validation croisée Utiliser Randomized Search sur un espace plus large Choisir la métrique réellement optimisée Contrôler temps de calcul et espace de recherche Comparer le modèle optimisé sans toucher au test final Atelier : conduire et documenter une optimisation d’hyperparamètres

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 120 crédits inclus

09 Niveau 3

Explorer les données sans labels

utiliser clustering, réduction de dimension et détection d’anomalies pour comprendre des structures sans cible supervisée

Comprendre les objectifs de l’apprentissage non supervisé Préparer les données pour le clustering Segmenter avec K-means Comprendre clustering hiérarchique Découvrir DBSCAN et les clusters de forme irrégulière Réduire la dimension avec PCA Détecter des anomalies et challenger leur signification Atelier : construire et interpréter une segmentation exploratoire

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 120 crédits inclus

Pack Fiabilité et cycle de vie ML 3 cours Niveau 4

🎓 Attestation : ML — Fiabilité et cycle de vie ML

📚 3 parcours 📖 24 leçons ⏱ 9 à 15 h ⚡ 420 crédits inclus

56,70 €

42,90 HT

Économie : 13,80 €

10 Niveau 4

Interpréter, expliquer et challenger les modèles

comprendre les facteurs qui influencent les prédictions et identifier les situations où une explication peut être trompeuse

Distinguer performance prédictive et explicabilité Interpréter coefficients et paramètres simples Analyser feature importance avec prudence Mesurer l’importance par permutation Comprendre les partial dependence plots Découvrir les explications locales de type SHAP Analyser erreurs et explications par sous-groupe Atelier : produire une analyse d’explicabilité avec ses limites

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 140 crédits inclus

11 Niveau 4

Gérer déséquilibres, biais, robustesse et fiabilité

évaluer la qualité d’un modèle au-delà d’une métrique moyenne et contrôler ses risques sur les populations et cas difficiles

Identifier les conséquences d’un fort déséquilibre de classes Utiliser pondération et rééchantillonnage avec méthode Choisir métriques et seuils pour les cas rares Évaluer et améliorer la calibration Comparer les performances entre sous-groupes Tester robustesse et sensibilité aux données perturbées Identifier données hors distribution et limites d’usage Atelier : challenger la fiabilité d’un modèle avant décision

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 140 crédits inclus

12 Niveau 4

Tracer les expériences et gérer les versions de modèles

rendre les expériences comparables, auditables et reproductibles puis gérer le cycle de vie des modèles

Comprendre expérience, run et artefact ML Enregistrer paramètres et métriques avec MLflow Tracking Tracer modèles, figures et artefacts Comparer plusieurs runs et sélectionner un candidat Enregistrer un modèle dans le Model Registry Gérer versions, aliases, tags et métadonnées Documenter données, code, environnement et reproductibilité Atelier : construire la traçabilité complète d’un modèle candidat

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 140 crédits inclus

Pack Maîtrise professionnelle Machine Learning 3 cours Niveau 5

🎓 Attestation : ML — Maîtrise professionnelle Machine Learning

📚 3 parcours 📖 24 leçons ⏱ 9 à 15 h ⚡ 480 crédits inclus

74,70 €

48,90 HT

Économie : 25,80 €

13 Niveau 5

Comprendre et mettre en pratique le Deep Learning

comprendre les mécanismes essentiels des réseaux de neurones et entraîner un modèle simple sans diluer le parcours dans le Deep Learning avancé

Comprendre tenseurs, couches et réseau de neurones Choisir fonctions d’activation et architecture simple Comprendre fonction de perte et optimisation Comprendre gradient et backpropagation Utiliser batch, epoch et DataLoader Construire et entraîner un réseau simple avec PyTorch Contrôler overfitting, validation et sauvegarde Atelier : comparer un réseau simple à une baseline classique

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 160 crédits inclus

14 Niveau 5

Déployer, surveiller et maintenir un modèle ML

passer d’un modèle validé à un service exploitable, versionné, observable et maintenable en production

Préparer un artefact fiable pour l’inférence Distinguer batch prediction et online inference Exposer un modèle par une API d’inférence Conteneuriser et configurer le service Gérer registry, versions, promotion et rollback Surveiller latence, erreurs et qualité des données d’entrée Détecter data drift, concept drift et conditions de réentraînement Atelier : déployer et superviser un service de prédiction

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 160 crédits inclus

15 Niveau 5

Projet professionnel complet Machine Learning

concevoir, évaluer, expliquer, versionner, déployer et défendre une solution ML de bout en bout

Cadrer le problème de churn et le coût des erreurs Préparer les données et construire la baseline Construire pipelines, features et modèles candidats Comparer, optimiser et évaluer sans fuite Analyser segments, erreurs et explicabilité Tracer expériences et versionner le modèle final Déployer l’API, définir monitoring, model card et runbook Atelier final : présenter et défendre la solution ML et ses limites

📚 8 leçons ⏱ 3 à 5 h 🎯 Quiz inclus ⚡ 160 crédits inclus