Programme du module : Python

• Les bases du Python (Syntax, Variables, Types de données, Opérateurs, If statements, Loops, Fonctions)
• Les structures de données (Les listes, Les tuples, Les ensembles, Les dictionnaires)
• Les fonctions
• Les classes
• Manipulation des fichiers (file handling)
• Exploration des bibliothèques
  • Numpy
  • Pandas
  • Matplotlib
  • Seaborn

Programme du module : Machine Learning

• Introduction au Machine Learning et l’intelligence artificielle
• Les types du Machine Learning (supervised learning, semi-supervised learning, unsupervised learning, reinforcement learning)
• Etapes à suivre pour créer un modèle de machine learning
• EDA avec Pandas (Exploratory Data Analysis / Analyse Exploratoire des Données)
• Visualisation des données avec Matplotlib et Seaborn
• Les algorithmes du Supervised Learning :
  • a. k-Nearest Neighbors
  • b. Linear Models
  • c. Decision Trees
  • d. Ensembles of decision Trees
  • e. Support Vector Machines (SVM)
• Les algorithms du Unsupervised Learning :
  • Les modèles de classification
  • Dimensionality Reduction
    • Principal Component Analysis (PCA)
    • Non Negative Matrix Factorization (NMF)
  • Clustering
    • k-Means Clustering
    • Agglomerative Clustering
    • DBSCAN

Programme du module : Deep Learning

1. Introduction au Deep Learning

• Aperçu du Deep Learning : Qu’est-ce que le deep learning, ses applications et son importance.
• Bases des Réseaux Neuronaux : Comprendre la structure et les composants d’un réseau neuronal.
• Fonctions d’Activation : Introduction aux différentes fonctions d’activation et leur importance.
• Descente de Gradient et Rétropropagation : Comprendre comment les réseaux neuronaux apprennent grâce à la rétropropagation.
• Pratique : Implémentation d’un réseau neuronal simple à l’aide d’une bibliothèque de deep learning comme TensorFlow ou PyTorch.

2. Techniques avancées de Deep Learning

• Réseaux de Neurones Convolutifs (CNN) : Comprendre l’architecture CNN et son utilisation dans la reconnaissance d’images.
• Transfert de Connaissances : Introduction au transfert d’apprentissage et comment utiliser des modèles pré-entraînés.
• Réseaux de Neurones Récurrents (RNN) : Comprendre l’architecture RNN et son utilisation dans l’analyse de données séquentielles.
• Réseaux LSTM (Long Short-Term Memory) : Introduction aux réseaux LSTM pour le traitement de données séquentielles.
• Pratique : Implémentation d’un CNN pour la classification d’images et d’un RNN pour la prédiction de séquences.

3. Applications et Optimisation en Deep Learning

• Réseaux Générateurs Adverses (GAN) : Introduction aux GAN et leur utilisation pour générer des données synthétiques.
• Auto-encodeurs : Comprendre les auto-encodeurs et leurs applications en compression de données et débruitage.
• Optimisation des Hyperparamètres : Techniques pour optimiser les modèles de deep learning.
• Surapprentissage et Régularisation : Comprendre comment prévenir le surapprentissage dans les réseaux neuronaux.
• Pratique : Construction d’un GAN pour la génération d’images et d’un auto-encodeur pour la compression de données.

Programme du module : Langage R

• Initiation au logiciel R :
  • Installation du logiciel
  • Les packages
  • Trouver de l’Aide
  • Les objets de R
  • Types de données et structures des données
  • Vecteurs, facteurs, matrices, tableaux, listes, data.frames
  • Les boucles
  • Les fonctions
• Traitement des données :
  • Importer, exporter des données
  • Traitement des données
• Analyse de données :
  • Statistiques descriptives
    • Etude unidimensionnelle
    • Etude bidimensionnelle :
    • Qualitative – qualitative
    • Quantitative – qualitative
    • Quantitative – quantitative
  • Les graphiques
  • Tests d’hypothèses
• Modélisation :
  • Corrélation
  • Régression linéaire simple et multiple
• Analyse factorielle :
  • ACP
  • Classification