Rappel des principes fondamentaux de l’apprentissage automatique

Évaluation avancée des modèles et métriques de performance

Pipeline complet de traitement des données (préparation, normalisation, feature engineering)

Arbres de décision, Random Forests, Gradient Boosting (XGBoost, LightGBM, CatBoost)

Optimisation des hyperparamètres et techniques d’ensemble

Réseaux de neurones et architectures avancées

Utilisation de bibliothèques : scikit-learn, TensorFlow, PyTorch

Gestion et visualisation des résultats

Comparaison et interprétation des modèles

Introduction aux environnements ML managés : Google AI Platform, AWS SageMaker, Azure ML Studio

Entraînement et déploiement de modèles sur le cloud

Gestion du cycle de vie et du monitoring des modèles

Étude de cas : classification, prédiction, clustering

Implémentation complète d’un modèle du data preprocessing au déploiement

Discussion sur les limites, biais et bonnes pratiques en ML