Machine Learning — Matis Academy

Programme semaine par semaine

Des bases théoriques aux implémentations concrètes — chaque semaine intègre code, maths et cas d'usage réels.

Fondamentaux du Machine Learning

Types de ML, workflow, Scikit-learn, évaluation

Apprentissage supervisé, non supervisé, par renforcement

Workflow ML : données → modèle → évaluation → déploiement

Introduction à Scikit-learn (pipeline, transformers)

Train/test split, validation croisée (cross-validation)

Métriques : accuracy, precision, recall, F1, AUC-ROC

🛠 Exercice : premier modèle de classification

Feature Engineering & Prétraitement

Pipelines Scikit-learn, encodage, scaling, sélection de variables

Feature scaling : StandardScaler, MinMaxScaler, RobustScaler

Encodage : OneHotEncoder, OrdinalEncoder, TargetEncoder

Imputation de valeurs manquantes (SimpleImputer, KNNImputer)

Sélection de features : SelectKBest, RFE, importance d'arbres

Création de features dérivées (feature engineering)

🛠 Pipeline Scikit-learn complet sur dataset réel

Régression Linéaire & Logistique

Modèles fondamentaux, régularisation, interprétabilité

Régression linéaire simple et multiple

Régularisation : Ridge (L2), Lasso (L1), ElasticNet

Régression logistique et frontière de décision

Interprétation des coefficients et odds ratio

Métriques de régression : MSE, RMSE, MAE, R²

🛠 Prédiction du prix de l'immobilier à Dakar

Arbres de décision & Ensemble Methods

Decision Tree, Random Forest, Gradient Boosting

Arbres de décision : critères de split (Gini, entropie)

Overfitting et élagage (pruning)

Random Forest : bagging et feature importance

Gradient Boosting : XGBoost, LightGBM

Hyperparameter tuning : GridSearchCV, RandomizedSearchCV

🛠 Détection de fraude bancaire avec XGBoost

SVM & K-Nearest Neighbors

Noyaux, hyperplans, distance, cas d'usage

SVM : marges maximales, vecteurs de support

Noyaux (kernels) : linéaire, polynomial, RBF

SVR pour la régression

K-NN : mesures de distance, choix de K, curse of dimensionality

Comparaison des modèles et benchmarking

🛠 Classification de pathologies médicales (SVM)

Apprentissage non supervisé — Clustering

K-Means, DBSCAN, réduction de dimension (PCA)

K-Means : inertie, méthode du coude, silhouette score

Clustering hiérarchique (dendrogramme)

DBSCAN : clusters de formes arbitraires, outliers

PCA : réduction de dimensions et visualisation

t-SNE pour visualisation de données haute dimension

🛠 Segmentation clients e-commerce UEMOA

Introduction aux Réseaux de Neurones

Perceptron, backpropagation, ANN avec TensorFlow/Keras

Perceptron et réseaux fully-connected

Fonctions d'activation : ReLU, sigmoid, softmax

Rétropropagation et descente de gradient

Construction d'un réseau avec Keras (Sequential, Dense)

Optimiseurs : SGD, Adam, learning rate scheduling

🛠 Réseau de neurones de prédiction de churn

Deep Learning — CNN & NLP

Réseaux convolutifs, traitement du texte, embeddings

CNN : convolution, pooling, feature maps

Transfer learning (ResNet, MobileNet, VGG)

NLP : tokenisation, TF-IDF, Word2Vec

Introduction aux Transformers et Hugging Face

Fine-tuning de modèles pré-entraînés

🛠 Classificateur d'images / analyse de sentiment

MLOps & Déploiement de modèles

MLflow, FastAPI, Docker, monitoring en production

Sérialisation de modèles (pickle, joblib, ONNX)

Tracking d'expériences avec MLflow

Création d'une API REST avec FastAPI

Containerisation avec Docker

Monitoring de la dérive des données (data drift)

🛠 Déploiement d'un modèle ML en production

S10

Projet Final & Certification

Projet ML end-to-end, soutenance, remise du certificat

Certification

Cadrage et choix du problème ML (dataset libre)

Pipeline complet : EDA → modèle → tuning → déploiement API

Documentation et publication sur GitHub

Soutenance devant le jury DigitalMatis

Révision des concepts clés et Q&A final

🏆 Remise du certificat Machine Learning DigitalMatis

✓ Prérequis

✓Avoir suivi Data Science & Analyse ou niveau équivalent
✓Maîtriser Pandas, NumPy et les statistiques de base
✓Notions de mathématiques : algèbre linéaire, probabilités
✓GPU conseillé (ou accès Google Colab Pro) pour les semaines 7-8

🎯 Objectifs à l'issue de la formation

→Maîtriser les algorithmes ML supervisés et non supervisés
→Construire et déployer des modèles Deep Learning
→Mettre en production une API ML avec FastAPI + Docker
→Présenter un portfolio ML crédible sur GitHub

Devenez un expert ML

Formation intensive — 10 semaines, 3 projets, 1 certificat. Places limitées à 10 apprenants.

S'inscrire — 120 000 FCFA Poser une question