Cours de Intelligence artificielle et Machine Learning: méthodes, algorithmes et applications

Dernière mise à jour: 08/12/2025

Ce cours explore les architectures et algorithmes du Machine Learning, considérés comme le noyau de l’intelligence artificielle moderne. À travers des exemples concrets, il présente les principaux types d’apprentissage, les méthodes emblématiques et les étapes clés du pipeline de développement d’un modèle. Les bases en statistiques et en probabilité sont simplifiés afin de mieux comprendre les mécanismes d’entraînement et d’évaluation. Enfin, des outils incontournables tels que NumPy, Pandas et scikit-learn intégrés au langage Python, servent à illustrer la mise en œuvre pratique et l’expérimentation des modèles.

COMMENCER

Contenu du cours

Leçon 1
Intelligence artificielle: Définition, histoire et évolution

Leçon 2
Types d'apprentissage: supervisé, non supervisé et par renforcement

Leçon 3
Qu'est-ce qu'un dataset? Tout commence par les données

Leçon 4
Analyse exploratoire des données (EDA)

Leçon 5
Apprentissage supervisé - La régression

Leçon 6
Apprentissage supervisé - La classification

Leçon 7
Comment un modèle de Machine Learning apprend-il?

Leçon 8
Régression linéaire simple avec NumPy, scikit-learn et Matplotlib

Leçon 9
Régression linéaire multiple avec les DataFrames de Pandas

Leçon 10
Séparation du jeu de données en ensembles d'entraînement et de test

Leçon 11
Régression linéaire multiple avec découpage des données en train set et test set

Leçon 12
Classification supervisée avec la régression logistique

Leçon 13
Naive Bayes pour la classification: un modèle probabiliste génératif

Leçon 14
k-Nearest Neighbors (k-NN): Algorithme de classification non paramétrique basé sur les distances

Leçon 15
L'arbre de décision (decision tree): un outil puissant de classification

Leçon 16
Classification avec les Support Vector Machines (SVM)

Leçon 17
L'ensemble learning - Combiner plusieurs modèles pour une performance accrue

Leçon 18
Le Boosting: principe et mise en pratique avec XGBoost

Leçon 19
Random Forest, une application du Bagging en Ensemble Learning

Leçon 20
Le stacking: unir des modèles différents pour plus de performance

Leçon 21
La validation croisée: découper les données pour un meilleur apprentissage du modèle

Leçon 22
Recherche par grille avec validation croisée (GridSearchCV)

Leçon 23
Apprentissage non supervisé: Explorer et regrouper les données sans supervision

Leçon 24
Clustering avec k-means - Un pilier de l'apprentissage non supervisé

Leçon 25
Le clustering par densité avec l'algorithme DBSCAN

Intelligence artificielle et Machine Learning: méthodes, algorithmes et applications

Contenu du cours