– Prise en main de l’environnement de travail

• Jupyter notebook
• Quelques rappels sur le langage python

– Appréhender  les données utilisées par les algorithmes ML

• Les formats de données
• Gestion des variables manquante
• Gestion des variables catégorielles

– Démarche et Aspects théoriques du ML

• Quelques Eléments historiques
• Le principe de la prédiction
• Cost functions et optimizers
• Features engineering

– Apprentissage supervisée

• Régression et régularisations
• La Classification

  Algorithmes dit « standards »   Algorithmes de type bagging   Algorithmes de type boosting

– Evaluer un modèle de classification/ Régression 

• La démarche et les techniques de cross-validation
• Les métriques de performance

– Introduction au deep-learning

• Eléments théorique et paradigme
• Travaux pratiques avec Tensorflow et Keras

– Apprentissage non-supervisé

• Principes
• Exemples d’applications pratiques