Machine learning, les fiches du cours

Les deux hivers de l'IA, le perceptron, les systèmes experts, l'emploi des développeurs débutants en 2026 et la méthode pour rester utile.

Compétitions Kaggle, cycle Git quotidien, branches et pull requests, et structure d'un dépôt reproductible pour un projet de machine learning.

Cadrer un projet de ML (décision, cible, métrique, garde-fous, fuites), puis établir les moindres carrés, la matrice chapeau et le conditionnement.

De la vraisemblance de Bernoulli à la log-loss : sigmoïde, gradient, convexité, rapport de cotes, biais-variance et validation sans fuite.

Convexité, descente de gradient et choix du pas, SGD, puis ridge et lasso comme rétrécissement, exemples chiffrés, lambda par validation croisée.

Matrice de confusion, ROC et AUC, précision-rappel, score de Brier, seuil de décision tiré des coûts, et dépôt de machine learning reproductible.

À quoi ressemble une baseline défendable : découpage figé, carte des fuites, régression logistique calibrée, seuil par le coût, ablation pré-enregistrée.

Marge maximale, perte charnière et dual du SVM, astuce du noyau, ridge à noyau, puis arbres de décision : Gini, entropie, élagage, sur exemples chiffrés.

Bagging et forêts aléatoires, gradient boosting et XGBoost démontrés pas à pas, puis validation croisée imbriquée et test corrigé de Nadeau et Bengio.

Valeurs de Shapley calculées à la main, mesures d'équité et leur impossibilité, AI Act et crédit, puis ACP, k-means et EM sur de petits exemples.

Comparer des modèles par validation croisée imbriquée, intervalles corrigés et règle pré-enregistrée, puis documenter le champion dans une fiche de modèle.

Passe avant et rétropropagation à la main, réseaux sur données tabulaires, dérive et PSI, prédiction conforme et mise en service avec FastAPI.

Ce que contient un projet de ML livré : dépôt rejouable, API de prédiction testée, rapport traçable, fiche de modèle, plan de surveillance et mémo client.

Ce qu'une soutenance de projet de machine learning doit montrer, les questions du jury, les pièges classiques et l'usage du projet en entretien.

Un projet reproductible de score de défaut sur les données UCI de cartes de crédit : dépôt, make reproduce, tests, seuil, robustesse, CI.

Un projet de ML complet : log-rendements, validation en marche avant, variables retardées, FinBERT et GDELT, test de Diebold-Mariano et Sharpe net.

Les bases de Python, les données vues comme des nombres, le téléchargement par API, puis le même code fit et predict pour chaque modèle de scikit-learn.

Rétropropagation, batch norm et son gradient, ResNet, convolution, LSTM, attention, VAE et GAN, chacun dérivé au tableau puis vérifié en PyTorch.

Où trouver des données ouvertes et sous quelle licence, un cahier des charges en six lignes, des idées de projets par secteur, de la finance au sport.

Cadrer un projet data, choisir ses outils (Airflow, Spark, Docker, Kubernetes), ses modèles, déployer API et application, puis les observer.

Pipeline, Parquet, SQL sous DuckDB, idempotence, SLO et budget d'erreur, Terraform, Docker, Kubernetes, FinOps, et ce qu'on attend à chaque niveau.

Carte des familles de modèles de machine learning : à quoi sert chacune, quelles bibliothèques Python, quel piège, dans quels secteurs.

Requêtes, clés et valeurs, attention multi-têtes, encodage de position, encodeur et décodeur : une phrase simple, puis les maths, puis un exemple calculé.