⏳ Chronologie du Module

Le module d’Introduction au Machine Learning & Deep Learning se déroule sur 5 jours consécutifs (35 heures). Chaque journée alterne des apports théoriques conceptuels le matin et des ateliers pratiques intensifs l’après-midi.

📅 Vue d’ensemble (Gantt)

gantt
    title Déroulement du Module ML & DL
    dateFormat  YYYY-MM-DD
    axisFormat %d/%m

    section Séances
    J1 - Acquisition & Preprocessing     :active, j1, 2026-06-01, 1d
    J2 - Algorithmes de Machine Learning  :j2, 2026-06-02, 1d
    J3 - Non Supervisé & Évaluation       :j3, 2026-06-03, 1d
    J4 - Fondations du Deep Learning      :j4, 2026-06-04, 1d
    J5 - Déploiement & Projet Final       :j5, 2026-06-05, 1d

    section Évaluations
    Rendu TPs (Note 1)                    :milestone, m1, 2026-06-04, 0h
    QCM Théorique (Note 2)                :milestone, m2, 2026-06-05, 0h
    Soutenance Projet (Note 3)            :milestone, m3, 2026-06-05, 0h

📑 Détail des Sessions

🧹 Raffiner la Donnée Brute

09h00 - 12h30 : Formats de données, statistiques descriptives et nettoyage (outliers, NaN, corrélations).
13h30 - 17h00 : Lab de preprocessing avancé et réduction de dimensions avec l’ACP (PCA).

🛠️ Façonner les Outils Classiques

09h00 - 12h30 : Théorie de la régression (linéaire, logistique) et classification (arbres de décision, SVM).
13h30 - 17h00 : Lab Scikit-Learn : Implémentation de Random Forest, Gradient Boosting et comparaison d’algorithmes.

📊 Segmenter et Diagnostiquer

09h00 - 12h30 : Clustering avec K-Means et classification hiérarchique. Métriques de validation (ROC, confusion matrix).
13h30 - 17h00 : Lab pratique : Segmentation client et évaluation fine de la performance des modèles.

🧠 Forger les Réseaux de Neurones

09h00 - 12h30 : Histoire du perceptron, architecture PMC, fonctions d’activation, rétropropagation du gradient.
13h30 - 17h00 : Lab from scratch : Écriture et entraînement d’un réseau de neurones multicouche en Python pur.

🚀 Lancer la Production

09h00 - 11h00 : Cycle de vie du modèle, principes des APIs de prédiction et de mise en production.
11h00 - 12h30 : Finalisation du projet final en équipe et préparation des supports de présentation.
13h30 - 17h00 : Soutenances de projets devant le jury et démos en direct.

--- number-sections: false --- # ⏳ Chronologie du Module {.unnumbered} ::: {.info header="Note d'organisation"} Le module d'Introduction au Machine Learning & Deep Learning se déroule sur 5 jours consécutifs (35 heures). Chaque journée alterne des apports théoriques conceptuels le matin et des ateliers pratiques intensifs l'après-midi. ::: ## 📅 Vue d'ensemble (Gantt) ```{mermaid} gantt title Déroulement du Module ML & DL dateFormat YYYY-MM-DD axisFormat %d/%m section Séances J1 - Acquisition & Preprocessing :active, j1, 2026-06-01, 1d J2 - Algorithmes de Machine Learning :j2, 2026-06-02, 1d J3 - Non Supervisé & Évaluation :j3, 2026-06-03, 1d J4 - Fondations du Deep Learning :j4, 2026-06-04, 1d J5 - Déploiement & Projet Final :j5, 2026-06-05, 1d section Évaluations Rendu TPs (Note 1) :milestone, m1, 2026-06-04, 0h QCM Théorique (Note 2) :milestone, m2, 2026-06-05, 0h Soutenance Projet (Note 3) :milestone, m3, 2026-06-05, 0h ``` ## 📑 Détail des Sessions ### 🧹 Raffiner la Donnée Brute * **09h00 - 12h30** : Formats de données, statistiques descriptives et nettoyage (outliers, NaN, corrélations). * **13h30 - 17h00** : Lab de preprocessing avancé et réduction de dimensions avec l'ACP (PCA). ### 🛠️ Façonner les Outils Classiques * **09h00 - 12h30** : Théorie de la régression (linéaire, logistique) et classification (arbres de décision, SVM). * **13h30 - 17h00** : Lab Scikit-Learn : Implémentation de Random Forest, Gradient Boosting et comparaison d'algorithmes. ### 📊 Segmenter et Diagnostiquer * **09h00 - 12h30** : Clustering avec K-Means et classification hiérarchique. Métriques de validation (ROC, confusion matrix). * **13h30 - 17h00** : Lab pratique : Segmentation client et évaluation fine de la performance des modèles. ### 🧠 Forger les Réseaux de Neurones * **09h00 - 12h30** : Histoire du perceptron, architecture PMC, fonctions d'activation, rétropropagation du gradient. * **13h30 - 17h00** : Lab from scratch : Écriture et entraînement d'un réseau de neurones multicouche en Python pur. ### 🚀 Lancer la Production * **09h00 - 11h00** : Cycle de vie du modèle, principes des APIs de prédiction et de mise en production. * **11h00 - 12h30** : Finalisation du projet final en équipe et préparation des supports de présentation. * **13h30 - 17h00** : Soutenances de projets devant le jury et démos en direct.