Introduction au Machine Learning

› Qu’est-ce que le Machine Learning? 

› Différences entre Intelligence Artificielle, ML et Deep Learning 

› Cas d’usage concrets dans des secteurs comme le manufacturier, le commerce ou les services

› Présentation de la typologie des modèles : supervisé, non supervisé

Comprendre un projet de Machine Learning

› Étapes d’un projet de Machine Learning :

1. Collecte des données
2. Nettoyage et préparation
3. Entraînement d’un modèle
4. Évaluation des résultats
5. Déploiement (vue d’ensemble)

› Présentation d’un jeu de données typique : format requis, variables explicatives et cibles

Démonstration d’un modèle supervisé

› Objectif : prédire une variable continue (régression) ou catégorielle (classification)

› Utilisation d’une plateforme ML :

1. Construction d’un modèle en glisser-déposer
2. Visualisation du processus d’entraînement
3. Explication de la performance du modèle : précision, matrice de confusion
4. Sensibilité au surapprentissage (overfitting)

Exploration d’un modèle non supervisé

› Présentation du clustering (k-means) 

› Identification de regroupements naturels dans des données

› Démo interactive : segmentation de données sans variable cible

Discussion et questions

› Comment appliquer ces concepts dans un contexte réel?

› Quels outils choisir pour aller plus loin?

› Quelles sont les limites du ML sans programmation?

› Références et suggestions de ressources accessibles