Définition du Machine Learning et lien avec l’Intelligence Artificielle

Historique et grands domaines d’application

Cycle de vie d’un projet ML

Terminologie et concepts de base : données, variables, features, labels

Apprentissage supervisé : principe, exemples (régression, classification)

Apprentissage non supervisé : principe, exemples (clustering, réduction de dimension)

Introduction à l’apprentissage par renforcement (RL)

Différences, avantages et limites de chaque approche

Clustering : k-means, DBSCAN

Analyse en composantes principales (ACP / PCA)

Cas pratique : segmenter des clients selon leurs comportements

Visualisation et interprétation des regroupements

Prédiction de panne (maintenance prédictive)

Détection de fraude

Analyse d’images (vision par ordinateur)

Traitement automatique du langage (NLP)

Recommandation de contenu