Nos formations pour vos projets

Réviser les fondements mathématiques indispensables : probabilités, statistiques, algèbre linéaire.

Construire et interpréter des modèles statistiques : régression, tests, intervalles de confiance.

Mener des analyses statistiques avancées avec R : modèles linéaires généralisés, ANOVA, multivarié.

Panorama des approches et algorithmes du machine learning et de leurs cas d'usage.

Mettre en œuvre les algorithmes supervisés et non supervisés avec Python.

Construire des pipelines prédictifs complets avec scikit-learn : préparation, entraînement, évaluation.

Extraire de la connaissance des données : exploration, sélection de variables, modèles.

Choisir, valider et comparer ses modèles : validation croisée, métriques, sur-apprentissage.

Segmenter les données (k-means, DBSCAN, CAH) et réduire la dimension (ACP, t-SNE, UMAP).

S'initier à l'apprentissage par renforcement : agents, récompenses, Q-learning.

Comprendre les réseaux de neurones : architecture, entraînement, fonctions d'activation.

Approfondir la théorie : rétropropagation, optimisation, régularisation, architectures.

Concevoir, entraîner et déployer des réseaux profonds avec TensorFlow et Keras.

Développer des modèles profonds avec PyTorch : tenseurs, autograd, entraînement et transfert learning.

Cadrer et piloter un projet data science : cycle de vie, rôles, industrialisation.

Déployer et superviser des modèles en production : CI/CD, monitoring, drift.

Acquérir les bases de Python pour la data : syntaxe, structures, NumPy, pandas.

Approfondir Python pour la data science : pandas avancé, visualisation, bonnes pratiques.

Explorer, nettoyer et visualiser un jeu de données pour préparer la modélisation.

Prendre en main R pour l'analyse statistique : import, manipulation, tests, graphiques.

Aller plus loin avec R : tidyverse, programmation fonctionnelle, rapports reproductibles.

Modéliser et prévoir des séries temporelles : décomposition, ARIMA, Prophet, évaluation.

Expliquer les prédictions de ses modèles et répondre aux exigences de transparence (AI Act).

Industrialiser le ML sur Databricks (MLflow, Feature Store) et préparer l'examen ML Associate.

Concevoir et entraîner des CNN pour l'analyse d'images.

Mettre en œuvre détection, classification et segmentation d'images.

Techniques NLP : tokenisation, embeddings, classification, extraction d'information.