Lessons / Structure du cours

Chapitre 1 : Les méthodologies Data science

• Définir les étapes d’un projet Data Science.
• Comprendre les différentes méthodologies DS (CRISP-DM, IBM Master Plan, TDSP).
• Mettre en œuvre une méthodologie de Data Science dans le cadre d’un mini-projet.

Chapitre 2 : Méthodes ensemblistes

• Distinguer la différence entre bagging, boosting et stacking.
• Créer des modèles de Bagging à travers les arbres de décision, « Random Forest ».
• Créer des modèles de Boosting à travers « Adaboost et gradient boosting ».
• Créer des modèles de stacking.

Chapitre 3 : Réseaux de neurones artificiels

• Définir les concepts fondamentaux des réseaux de neurones, y compris les fonctions d’activation et la propagation avant/arrière.
• Expliquer le principe des algorithmes d’optimisation tels que la descente de gradient, Adam et RMSProp.
• Mettre en œuvre un modèle de réseau de neurones simple en utilisant un framework de Deep Learning (TensorFlow, Keras, PyTorch).

Chapitre 4 : Les fondements de l’apprentissage par renforcement

• Définir les principaux concepts du RL : agent, environnement, état, action, récompense, politique, fonction de valeur.
• Mettre en œuvre un algorithme de Q-learning tabulaire.
• Analyser et évaluer les performances d’un agent RL.

Chapitre 5 : L’explicabilité en intelligence artificielle

• Expliquer les concepts fondamentaux liés à l’XAI, notamment les différences entre interprétabilité et explicabilité.
• Identifier et distinguer les approches d’apprentissage machine interprétables (interpretable ML) des approches à posteriori (post-hoc) d’explication.
• Mettre en œuvre des méthodes d’explication pour des modèles complexes comme les réseaux de neurones.