Ce module vous permettra de commencer en douceur, quel que soit votre niveau actuel, avec une série de vidéos sur la logique du Machine Learning et de la Data Science, puis une prise en main à travers des projets simples et amusants.

Au terme de ce module, vous disposerez de toutes les bases et les fondations nécessaires pour développer votre expertise dans le Machine Learning. Le but ici est d'être à l’aise pour les étapes suivantes.

• Une série de vidéos sur la vue globale du monde du machine learning (apprentissage supervisé, non-supervisé, et par renforcement), le deep learning et la data science. Le raisonnement scientifique, l’approche de travail et la méthodologie pour résoudre des problèmes de Data Science et développer des modèles de Machine Learning.

• Une prise en main de votre machine pour être opérationnel dès le début de votre formation :

• Comment installer et configurer son environnement de travail ainsi que son IDE, que vous soyez sur Windows, Mac, ou Linux, sans plus jamais avoir peur d’utiliser son terminal pour taper des lignes de commande.

• Une vision globale de tous les outils qui existent, et lesquels utiliser selon vos préférences: VSCode, PyCharm, les différents terminals/shell (Bash, Powershell, etc) et les solutions de package création et gestion d'environnement: Conda, Venv, Pyenv, Poetry etc.

• Pour finir ce module, nous réaliserons une série de projets simples, afin de dépoussiérer et de confirmer vos connaissances en Python ainsi que votre maîtrise des librairies de Data Science: Numpy, Pandas, Matplotlib, Sklearn. Au terme de ce chapitre, vous serez enfin à l'aise avec la programmation python, et serez capable de traduire toutes vos idées en code propre et précis.

• Chargement et analyse de données avec Pandas

• Création de graphiques avec Matplotlib, seaborn, et Plotly

• Plusieurs projets end-to-end de Régression, Classification, et Clustering avec Sklearn

• En bonus, des outils pour la création de dashboard comme Streamlit

À partir d’ici, on commence à creuser ! Ce module vous transmettra toutes les fondations mathématiques allant des bases jusqu’aux concepts les plus avancés (pas de paniques, ces derniers sont simples à comprendre quand on a la bonne méthode d’apprentissage).

Nous débuterons avec des cours de niveau Baccalauréat sur les statistiques, les probabilités, le calcul, l'algèbre linéaire et l’optimisation. Progressivement, nous entrerons dans les détails avec des exercices simples et ludiques, des expériences et des visualisations codées avec Numpy et Scipy.

Au terme de ce module, vous aurez acquis un niveau BAC+5 dans ces différentes branches des mathématiques, ce qui vous permettra de vous démarquer de la majorité des autres data scientists, et vous donnera toutes les clefs en main pour comprendre les algorithmes d’IA dans les détails.

• Mathématique élémentaire : Un rappel de Baccalauréat sur les fonctions, les dérivées, les suites, les statistiques et les probabilités. Des exercices simples, ainsi que des expériences ludiques et des visualisations réalisées avec Numpy et Matplotlib pour ré-acquérir un bon niveau très rapidement.

• Statistiques et les probabilités niveau BAC+5 : Probabilités conditionnelles, théorèmes de Bayes, les 12 lois de probabilités les plus rencontrées dans les projets professionnels, les convergences des lois, Le théorème central limite, les tests d'hypothèses à connaître pour effectuer des analyses précises et efficaces, l’échantillonnage et l’estimation. Les plans d’expériences.

• Algèbre linéaire : Vecteurs, matrices, calcul matriciel, espace vectoriels, valeurs propres et vecteurs propres, … tout l'arsenal mathématique aboutissant à la méthode de la décomposition en valeur singulière (la technique qui se cache sous un grand nombres de méthode de Machine Learning et de Deep Learning, ignorée par la plupart des Data Scientists amateurs). Des exercices corrigés, des visualisations et des expériences réalisées avec Numpy, Scipy, et Matplotlib. Avec cette maîtrise de l'algèbre linéaire, vous serez capable de développer des modèles de Machine Learning plus rapides et plus performants que vos concurrents

• Optimisation : Un cours théorique sur l’optimisation et les méthodes mathématiques de minimisation les plus importantes en mathématique. On se plongera ensuite dans tous les algorithmes disponibles dans Scipy pour apprendre à résoudre des problèmes d’optimisation réels et nous expérimentons les comportements de chaque méthode à travers des projets et des exercices.

• Transformée de Fourier : Étude des filtres, trigonométrie, nombres complexes, ces dernières branches mènent à la maîtrise des méthodes de Fourier, et leur utilisation avec Numpy et Scipy. Je vous montrerai comment j’ai pu développer des algorithmes de maintenance prédictive à l'aide de ces algorithmes.

Maintenant, on entre dans le vif du sujet avec le fonctionnement détaillé des algorithmes de Machine Learning ! Dans ce module, nous allons ouvrir le capot et démonter le moteur pièce par pièce afin de comprendre comment fonctionne les modèles de Sklearn.

Au terme de ce module, vous ferez parti des rares data scientists capable de coder à la main n’importe quel modèle de Machine Learning, et vous maitriserez du bout des doigts l’ensemble de la librairies de Sklearn, avec une connaissance parfaite de chaque hyper-argument.

Je vous expliquerai le fonctionnement de tous les algorithmes que l’on trouve dans scikit-learn (absolument tous). On étudiera étape par étape les notions mathématiques derrière chaque algorithme, en les illustrant de façon simple avec des travaux pratiques :

• Les Modèles Linéaires: Régression linéaire, régression logistique, méthodes LARS, méthode OMP...

• Les Arbres de décision.

• Les K-Nearest neighbors

• Les modèles ensemblistes: Random forest, AdaBoost, gradient tree boosting, etc

• Les modèles gaussiens

• Les modèles Bayésiens

• Les Support Vector Machines

• Les modeles de Clustering: K-Means, DBSCAN, Hierarchical, Optics, etc.

• Les méthodes de réduction de dimension: T-SNE, PCA, mais aussi d’autres méthodes moins connues, mais terriblement puissantes.

• Les Méthodes de détection d’anomalie

• Pour chaque algorithme, je vous montrerai comment les coder from scratch, ce qui vous permettra de les transposer dans n’importe quel autre langage de programmation que Python, et vous prouvera que les explications théoriques sont bien les bonnes !

• Pour finir, on verra comment implémenter chaque modèle en utilisant Sklearn (ou parfois d’autres librairies comme XGboost et LightGBM). A travers des expériences et des TPs, vous comprendrez et mémorisez l’importance et le rôle de chaque hyper-paramètres, en visualisant les résultats obtenus sur nos modèles.

• En bonus, nous ferons également un cours sur les algorithmes de série temporelle, (absents de Sklearn) et comment les implémenter avec la librairie Statsmodels.

• Pour finir ce module, une série de projets pratiques issue de la vraie vie, que vous pourrez ajouter à votre portfolio pour donner du crédit à votre CV auprès des recruteurs et des entreprises.