Catalogue Machine Learning
Du débutant à l'expert — achetez à l'unité ou en pack avec attestation de réussite.
Les métiers du Machine Learning consistent à transformer un besoin métier et des données en modèles prédictifs fiables, évalués, optimisés, déployés et surveillés. Ce parcours développe les compétences utilisées notamment par les Data Scientists et Machine Learning Engineers, en approfondissant les modèles, leur évaluation, leur optimisation et leur cycle de vie technique, de l’expérimentation jusqu’à la mise en production. Ces compétences Machine Learning sont ensuite approfondies et replacées dans une démarche métier plus large au sein du parcours Data Scientist, qui couvre également le cadrage, l’expérimentation, la causalité, les données complexes et le pilotage d’un produit Data Science.
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
⭐ Meilleure offre
Machine Learning — Pack Complet (15 parcours)
ML01 → ML15 · 1 800 crédits inclus
142,90 € HT
Économie : 104,60 €
29,70 €
22,90 HT
Économie : 6,80 €
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
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Aucun prérequis spécifique pour commencer. Une aisance avec les outils numériques est recommandée ; les cours techniques ultérieurs peuvent mobiliser des notions de développement ou de données.
- Comprendre ce que le Machine Learning apporte réellement
- Identifier classification, régression et autres familles de problèmes
- Construire une baseline avant tout modèle complexe
- Atelier : décider si un problème nécessite réellement du Machine Learning
- Transformer un besoin métier en problème de Machine Learning mesurable et décider si le ML est réellement pertinent
- Distinguer apprentissage supervisé et non supervisé
- Distinguer entraînement, validation et inférence
- Atelier : décider si un problème nécessite réellement du Machine Learning
3 à 5 h
9,90 € HT
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
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Explorer distributions, types et qualité des données
- Préparer variables numériques et catégorielles
- Repérer déséquilibres et représentativité insuffisante
- Atelier : auditer et préparer un dataset avant modélisation
- Construire un jeu de données exploitable sans introduire de biais, de fuite de données ou d’incohérences
- Gérer valeurs manquantes et valeurs aberrantes
- Mettre à l’échelle les variables lorsque le modèle l’exige
- Atelier : auditer et préparer un dataset avant modélisation
3 à 5 h
9,90 € HT
Construire un premier pipeline ML reproductible
enchaîner prétraitement, entraînement, prédiction et évaluation dans un workflow reproductible
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Installer un environnement ML reproductible
- Créer les transformations de prétraitement
- Calculer et vérifier les premières métriques
- Atelier : livrer un premier pipeline ML reproductible
- Enchaîner prétraitement, entraînement, prédiction et évaluation dans un workflow reproductible
- Construire une baseline avec scikit-learn
- Entraîner le pipeline et générer des prédictions
- Atelier : livrer un premier pipeline ML reproductible
3 à 5 h
9,90 € HT
38,70 €
28,90 HT
Économie : 9,80 €
Résoudre des problèmes de régression
concevoir, comparer et évaluer des modèles destinés à prédire une valeur numérique
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Comprendre une cible continue et construire une baseline
- Comprendre la régularisation et son intérêt
- Interpréter R² sans le surévaluer
- Atelier : comparer plusieurs modèles de régression sur un besoin métier
- Concevoir, comparer et évaluer des modèles destinés à prédire une valeur numérique
- Construire une régression linéaire
- Choisir entre MAE, MSE et RMSE
- Atelier : comparer plusieurs modèles de régression sur un besoin métier
3 à 5 h
12,90 € HT
Résoudre des problèmes de classification
construire des modèles de classification et choisir les métriques et seuils adaptés au coût réel des erreurs
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Comprendre les classes et construire une baseline
- Utiliser arbres et Random Forest
- Comparer precision, recall et F1
- Atelier : choisir un classifieur selon le coût des erreurs
- Construire des modèles de classification et choisir les métriques et seuils adaptés au coût réel des erreurs
- Construire une régression logistique
- Lire une matrice de confusion
- Atelier : choisir un classifieur selon le coût des erreurs
3 à 5 h
12,90 € HT
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
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Comprendre le risque d’une évaluation trop optimiste
- Évaluer avec cross-validation
- Comparer plusieurs modèles sur des métriques cohérentes
- Atelier : construire un protocole d’évaluation défendable
- Obtenir une estimation fiable de la performance et éviter les conclusions trompeuses lors de la sélection d’un modèle
- Utiliser un hold-out correctement
- Respecter l’ordre temporel avec un time split
- Atelier : construire un protocole d’évaluation défendable
3 à 5 h
12,90 € HT
47,70 €
35,90 HT
Économie : 11,80 €
Concevoir et sélectionner les features
créer des variables informatives sans fuite de données et réduire la complexité lorsque cela améliore le modèle
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Comprendre le rôle du feature engineering
- Créer des variables temporelles sans fuite d’information
- Utiliser méthodes de sélection de features
- Atelier : améliorer un modèle par des features justifiées
- Créer des variables informatives sans fuite de données et réduire la complexité lorsque cela améliore le modèle
- Créer des variables numériques et transformations utiles
- Détecter redondance et multicolinéarité
- Atelier : améliorer un modèle par des features justifiées
3 à 5 h
15,90 € HT
Optimiser modèles et hyperparamètres
réduire underfitting et overfitting et rechercher des hyperparamètres sans contaminer l’évaluation finale
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Comprendre underfitting, overfitting, biais et variance
- Construire un Grid Search avec validation croisée
- Contrôler temps de calcul et espace de recherche
- Atelier : conduire et documenter une optimisation d’hyperparamètres
- Réduire underfitting et overfitting et rechercher des hyperparamètres sans contaminer l’évaluation finale
- Identifier paramètres appris et hyperparamètres
- Choisir la métrique réellement optimisée
- Atelier : conduire et documenter une optimisation d’hyperparamètres
3 à 5 h
15,90 € HT
Explorer les données sans labels
utiliser clustering, réduction de dimension et détection d’anomalies pour comprendre des structures sans cible supervisée
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Comprendre les objectifs de l’apprentissage non supervisé
- Segmenter avec K-means
- Réduire la dimension avec PCA
- Atelier : construire et interpréter une segmentation exploratoire
- Utiliser clustering, réduction de dimension et détection d’anomalies pour comprendre des structures sans cible supervisée
- Préparer les données pour le clustering
- Découvrir DBSCAN et les clusters de forme irrégulière
- Atelier : construire et interpréter une segmentation exploratoire
3 à 5 h
15,90 € HT
56,70 €
42,90 HT
Économie : 13,80 €
Interpréter, expliquer et challenger les modèles
comprendre les facteurs qui influencent les prédictions et identifier les situations où une explication peut être trompeuse
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Distinguer performance prédictive et explicabilité
- Analyser feature importance avec prudence
- Découvrir les explications locales de type SHAP
- Atelier : produire une analyse d’explicabilité avec ses limites
- Comprendre les facteurs qui influencent les prédictions et identifier les situations où une explication peut être trompeuse
- Interpréter coefficients et paramètres simples
- Comprendre les partial dependence plots
- Atelier : produire une analyse d’explicabilité avec ses limites
3 à 5 h
18,90 € HT
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
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Identifier les conséquences d’un fort déséquilibre de classes
- Choisir métriques et seuils pour les cas rares
- Tester robustesse et sensibilité aux données perturbées
- Atelier : challenger la fiabilité d’un modèle avant décision
- Évaluer la qualité d’un modèle au-delà d’une métrique moyenne et contrôler ses risques sur les populations et cas difficiles
- Utiliser pondération et rééchantillonnage avec méthode
- Comparer les performances entre sous-groupes
- Atelier : challenger la fiabilité d’un modèle avant décision
3 à 5 h
18,90 € HT
Tracer les expériences et gérer les versions de modèles
rendre les expériences comparables, auditables et reproductibles puis gérer le cycle de vie des modèles
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Comprendre expérience, run et artefact ML
- Tracer modèles, figures et artefacts
- Gérer versions, aliases, tags et métadonnées
- Atelier : construire la traçabilité complète d’un modèle candidat
- Rendre les expériences comparables, auditables et reproductibles puis gérer le cycle de vie des modèles
- Enregistrer paramètres et métriques avec MLflow Tracking
- Enregistrer un modèle dans le Model Registry
- Atelier : construire la traçabilité complète d’un modèle candidat
3 à 5 h
18,90 € HT
74,70 €
48,90 HT
Économie : 25,80 €
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
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Comprendre tenseurs, couches et réseau de neurones
- Comprendre fonction de perte et optimisation
- Construire et entraîner un réseau simple avec PyTorch
- Atelier : comparer un réseau simple à une baseline classique
- Comprendre les mécanismes essentiels des réseaux de neurones et entraîner un modèle simple sans diluer le parcours dans le Deep Learning avancé
- Choisir fonctions d’activation et architecture simple
- Utiliser batch, epoch et DataLoader
- Atelier : comparer un réseau simple à une baseline classique
3 à 5 h
24,90 € HT
Déployer, surveiller et maintenir un modèle ML
passer d’un modèle validé à un service exploitable, versionné, observable et maintenable en production
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Préparer un artefact fiable pour l’inférence
- Exposer un modèle par une API d’inférence
- Surveiller latence, erreurs et qualité des données d’entrée
- Atelier : déployer et superviser un service de prédiction
- Passer d’un modèle validé à un service exploitable, versionné, observable et maintenable en production
- Distinguer batch prediction et online inference
- Gérer registry, versions, promotion et rollback
- Atelier : déployer et superviser un service de prédiction
3 à 5 h
24,90 € HT
Projet professionnel complet Machine Learning
concevoir, évaluer, expliquer, versionner, déployer et défendre une solution ML de bout en bout
Informations sur la formation
Data Analysts, Data Scientists, Machine Learning Engineers et développeurs souhaitant construire des solutions de Machine Learning fiables et reproductibles.
Connaître les bases du parcours ou avoir suivi les cours précédents. Les notions déjà introduites sont réutilisées et approfondies dans ce cours.
- Cadrer le problème de churn et le coût des erreurs
- Construire pipelines, features et modèles candidats
- Tracer expériences et versionner le modèle final
- Atelier final : présenter et défendre la solution ML et ses limites
- Concevoir, évaluer, expliquer, versionner, déployer et défendre une solution ML de bout en bout
- Préparer les données et construire la baseline
- Analyser segments, erreurs et explicabilité
- Atelier final : présenter et défendre la solution ML et ses limites
3 à 5 h
24,90 € HT