Cette formation est-elle adaptée à mon niveau ?

Chaque fiche indique le niveau requis (Fondamental, Intermédiaire, Avancé) ainsi que les prérequis détaillés. En cas de doute, un test d'auto-évaluation est disponible directement sur la page.

La formation est-elle orientée théorie ou pratique ?

Nos formations alternent apports théoriques et travaux pratiques, pour mettre immédiatement en application les notions abordées.

Puis-je suivre cette formation à distance ?

Oui, la plupart de nos formations sont disponibles en présentiel et en classe à distance, avec le même contenu et le même niveau d'interaction avec le formateur.

Cette formation est-elle disponible en intra-entreprise ?

Oui. Nous pouvons l'organiser dans vos locaux, dans nos salles ou à distance, avec un programme adapté à votre contexte si nécessaire. Contactez notre service intra pour un devis.

Que se passe-t-il si une session est annulée ?

Nous nous engageons à maintenir les sessions garanties affichées. En cas d'annulation de notre part, nous vous proposons un report sur la prochaine session disponible.

Cette formation est-elle finançable via le CPF ?

Si la formation est éligible CPF, cela est indiqué sur la fiche avec le code de certification correspondant. Vous pouvez retrouver la formation directement sur Mon Compte Formation.

Mon employeur ou mon OPCO peut-il prendre en charge le coût ?

Oui. Contactez-nous pour obtenir une convention de formation et vérifier les possibilités de prise en charge via votre OPCO.

Machine Learning : État de l'art et bonnes pratiques

Transformer des volumes massifs de données en informations utiles

4,3/5

Avec 17 avis

Prochaine session garantie : 27/04/2026

Description de la formation Machine Learning

Le machine learning, ou apprentissage automatique, existe depuis les années 1950. Il fonctionne grâce à la théorie des probabilités et ne s’inscrit pas dans la même logique que la programmation standard qui se structure elle autour d’hypothèses (si … alors … sinon …).

Concrètement il n’y a pas de règle de construction, le programme apprend statistiquement à l’aide de corpus déjà traduits et traverse donc une phase d’apprentissage durant lequel il traite les données et se calibre. Bien entendu, cette approche requiert des données et avec l’avènement du Big Data conjugué à la démocratisation de la puissance de calcul et des outils disponibles facilement sur le Cloud, le Machine Learning devient une réalité beaucoup plus facile à mettre en œuvre qu’auparavant.

Cette formation Machine Learning vous permettra d'accompagner un projet d’intelligence artificielle dans sa globalité, tout en étendant votre boîte à outils personnelle.

Jour 1

Introduction au Machine Learning

Situer le Machine Learning dans l’évolution et l’histoire du Big Data
Définir les concepts d'Intelligence Artificielle et d’apprentissage automatique (Machine Learning)
Comprendre les différences entre l’analyse descriptive, l'analyse prédictive puis prescriptive.
Exemples d’application du Machine learning pour divers directions ou métier : marketing, vente, logistique, RH, santé, transport, la sécurité, l’énergie, la distribution, le luxe, le tourisme...
Déterminer les résultats et bénéfices attendus du Machine LearningDémonstrationDétection de transaction frauduleuse, prédiction des ventes dans l’immobilier, consommation électrique en ville

Machine Learning, outils et acteurs du marché

Identifier les bibliothèques les plus utilisées (TensorFlow, Keras, Pytorch, Scikit learn).
Choisir entre les deux leaders Open Source : Python et R.
Plateformes Cloud (Azure, AWS, Google Cloud Platform) et solutions SaaS (IBM Watson, Dataïku).
Connaitre les API en ligne (IBM Watson, Microsoft Cortana Intelligence, IA AWS ..) et les chatbotsDémonstrationCréation d’un agent conversationnel (Chatbots), Système de recommandation

La donnée et les apprentissages en Machine Learning

Identifier les données structurées, semi-structurées et non structurées
Choisir la nature statistique des données (qualitatives ou quantitatives)
Définir la typologie des algorithmes :
- Apprentissage supervisé : répéter un exemple-
- Apprentissage non supervisé : découvrir les données
- Reinforcement Learning : optimisation d'une récompense
- Les autres types d'apprentissage (par transfert, séquentiel, actif...)
Faire le lien entre les mathématiques, le Big Data, l’IA et le machine LearningÉtude de casComprendre et reconnaitre les différentes typologies d’algorithmes (différences supervisé non supervisé). Nous présentons des contextes de données différents (format, volume, etc.) et des « attentes projets ». Vous devez classer les différents cas présentés par type d’algorithme à mettre en œuvre pour atteindre les objectifs du projet présenté.

Les principaux algorithmes du machine Learning

Utiliser la régression linéaire simple et multiple
Tester la régression polynomiale
Définir les séries temporelles
Comprendre la régression logistique et applications en scoring
Identifier la classification hiérarchique et non hiérarchique (KMeans)
Définir une classification par arbres de décision ou approche Naïve Bayes
Utiliser le Ramdom Forest (développement des arbres de décision)
Gradiant Boosting
Réseaux de neurones
Machine à support de vecteursÉtude de casDémonstration réseau de neurones reconnaissance de caractères manuscrits (MNIST)Jour 2

Démarche Machine Learning dans le traitement de la donnée

Prévoir la collecte et la préparation des données　
Identification des corrélations
Réduire la complexité d’un problème pour le résoudre par analyse des composantes principales
Comment réduire la dimension et sélectionner les variables pertinentes ?
Détection et correction des valeurs aberrantes
Data augmentation : création de nouvelles variables pour aider à résoudre le problèmeExercicePréparation d’un jeu de données - Nettoyage des données et valeurs manquantes

Mise en pratique : Procédure d'entraînement et d'évaluation des algorithmes

Séparation du jeu de données en plusieurs : entraînement, test et validation
Techniques de bootstrap (bagging)
Exemple de la validation croisée
Définition d'une métrique de performance
Descente de gradient stochastique (minimisation de la métrique)
Courbes ROC et de lift pour évaluer et comparer les algorithmes
Matrice de confusion : faux positifs et faux négatifsÉtude de casComprendre les différentes mesures de performance d’un algorithme et leurs utilisations à travers des exemples fournis dans votre espace de travail

Envisager la mise en production d'un algorithme de machine Learning

Description d'une plateforme Big Data
Principe de fonctionnement des API
Du développement à la mise en production
Stratégie de maintenance corrective et évolutive
Évaluation du coût de fonctionnement en productionÉtude de casMise en place d’un projet simple de Machine Learning en python à l’aide d’API (concrètement on utilise des algorithmes « tout faits » qu’il reste juste à paramétrer).

Mise en œuvre et gestion de projet impliquant du Machine Learning

Les spécificités d’un projet Machine Learning, son cycle de vie
Identifier les différents acteur d’un projet et post-projet
Définir les nouveaux rôles dans l'entreprise : chief data officer, data protection officer, data engineer, data scientist, data analyst, data miner...
Déterminer les prestataires externes et l’écosystème interne à l’entreprise
Préparer sa roadmap de la mise en œuvre du machine Learning (avant, pendant et après le projet)
Mise en place d’un Proof Of Concept
Prévoir rétro planning, CheckList et bonnes pratiques d’un projet Machine Learning
Protection et droit d’accès aux données personnelles
L’accompagnement aux changements nécessaire (formation, communication, management)
Réflexion : Échanges selon les spécificités métiers et activité de chacun

Date de mise à jour du programme : 10/02/2026

Dates et lieux

Période souhaitée

Lieux

Type d'affichage

Distanciel

27 avril - 28 avril

Session garantie

29 juin - 30 juin

14 septembre - 15 septembre

16 novembre - 17 novembre

Paris

27 avril - 28 avril

Session garantie

29 juin - 30 juin

14 septembre - 15 septembre

16 novembre - 17 novembre

Témoignages pour cette formation

Les avis figurant ci-dessous sont issus des fiches d'évaluation que remplissent les participants à la fin de la formation. Ils sont ensuite publiés automatiquement si les personnes ont explicitement accepté que nous les diffusions.

Avis de KL

Retour d’expérience

Mon avis sur le contenu du stage :

"Parfois un peu de mal a retrouver sur quel powerpoint on est , les manipulations des outils sont super intéressantes mais il faut être très concentré pour jongler entre les deux "

Mon avis sur le formateur :

"C'était la première fois que le formateur réalisait cette prestation et j'ai trouvé que parfois il pouvait être un peu long sur certains cas pratiques et un peu trop rapide sur la théorie ( ce qui peut très bien convenir à d'autres profils )"

Ce que j'ai le plus apprécié :

"Avant la formation on est bien pris en main , mail, espace privé, explication"

Ce que j'ai le moins apprécié :

"/"

4/5

Avis de YA

NETWO

Retour d’expérience

Mon avis sur le contenu du stage :

"Le niveau de la formation est très haut. Mais je pense pour autant que chaque personne quelque soit leur niveau peut prendre la dose d'information qu'il souhaite. Même moi qui n'est pas data analyst, j'ai pu comprendre enormement de concepts"

Mon avis sur le formateur :

"Youssef est très pédagogue. On sent qu'il est expert dans son domaine et il a une très bonne capacité à rebondir sur nos questions."

NETWO

4/5

Avis de PE

BESPOKE

Retour d’expérience

Mon avis sur le contenu du stage :

"Hyper enrichissant, premier jour qui ne rentre pas trop dans le détail, second plus en profondeur pour comprendre plus dans le "détail". Evidemment en 2 jours on reste en surface mais permet de comprendre les enjeux et de savoir sur quoi on a à travailler ! "

Mon avis sur la salle de formation :

"Chez nous"

BESPOKE

5/5

Deep Learning : les fondamentaux

Durée: Durée :3 jours
Niveau: Niveau :Intermédiaire
Certification: Certification :Non

2090€ HT

Prochaine session : 13/04/2026

MLOps pour les modèles d’IA générative

Durée: Durée :3 jours
Niveau: Niveau :Avancé
Certification: Certification :Non

1990€ HT

Prochaine session : 22/06/2026

Machine Learning et Data Science : déployer, monitorer et gérer des modèles en production

Durée: Durée :3 jours
Niveau: Niveau :Intermédiaire
Certification: Certification :Non

Intra uniquement

Aucune session prévue

Machine Learning avec Elastic Stack

Durée: Durée :2 jours
Niveau: Niveau :Intermédiaire
Certification: Certification :Non

1590€ HT

Prochaine session : 30/03/2026

Voir toutes les formations Machine Learning et MLOps

Machine Learning : État de l'art et bonnes pratiques

Description de la formation Machine Learning

Programme de la formation

Objectifs de la formation

Contenu du cours Machine Learning

Introduction au Machine Learning

Machine Learning, outils et acteurs du marché

La donnée et les apprentissages en Machine Learning

Les principaux algorithmes du machine Learning

Démarche Machine Learning dans le traitement de la donnée

Mise en pratique : Procédure d'entraînement et d'évaluation des algorithmes

Envisager la mise en production d'un algorithme de machine Learning

Mise en œuvre et gestion de projet impliquant du Machine Learning

Public et prérequis

Dates et lieux

Distanciel

Paris

Témoignages pour cette formation

Ces formations en Machine Learning et MLOps peuvent aussi vous intéresser

Questions fréquentes

Cette formation est-elle adaptée à mon niveau ?

La formation est-elle orientée théorie ou pratique ?

Puis-je suivre cette formation à distance ?

Cette formation est-elle disponible en intra-entreprise ?

Que se passe-t-il si une session est annulée ?

Cette formation est-elle finançable via le CPF ?

Mon employeur ou mon OPCO peut-il prendre en charge le coût ?

Ces formations en Machine Learning et MLOps peuvent aussi vous intéresser