Machine Learning avancé

Ce module prolonge les acquis en Machine Learning vers une pratique professionnelle et rigoureuse. Les étudiants apprennent à concevoir des pipelines ML robustes, du prétraitement avancé jusqu'au déploiement, en passant par l'optimisation des modèles, l'explicabilité et l'automatisation. Une attention particulière est portée à la qualité des données, à la validation des modèles en conditions réelles et à leur interprétation. Les outils utilisés sont ceux de l'écosystème Python professionnel : scikit-learn, SHAP, et des frameworks AutoML. Le module s'appuie sur une approche pratique avec un projet appliqué sur données réelles.

• Concevoir des pipelines ML complets et robustes (prétraitement, modélisation, évaluation).
• Maîtriser le feature engineering avancé et la sélection de variables.
• Optimiser les modèles par tuning hyperparamétrique et validation avancée.
• Comprendre et utiliser les outils d'explicabilité (SHAP, LIME).
• Découvrir l'AutoML et analyser de manière critique les pipelines générés.
• Appliquer le ML aux séries temporelles.
• Introduire les notions de dérive et de déploiement (MLOps).

Modalités : Mixte : CC + CT
SESSION 1 :
Contrôle Continu
• Type : QCM, Dossier
• Durée : 

Régime Dérogatoire
• Type : Dossier
• Durée : rendu en ligne

SESSION 2 :
• Type : Écrit
• Durée : 2h00

Utilisation de l'intelligence artificielle : 
Pour cet EC, l’usage de l’intelligence artificielle (IA) générative pour aider à la réalisation des travaux de contrôle continu soumis à évaluation

• est autorisé pour les tâches suivantes : Dossiers, projets
• Il est interdit pour les tâches suivantes : QCMs, Examens

Les résultats fournis par l’IA doivent constituer un matériau pour votre réflexion, et toujours faire l’objet d’une réappropriation et d’une reprise critique.

Tous les usages doivent être documentés dans une section dédiée à la fin de votre travail, à l’exception des usages de recherche web augmentée, de correction orthographique et syntaxique. Cette section doit permettre à votre lecteur d’évaluer la manière dont vous avez travaillé avec l’IA et mobilisé cette ressource au service d’un travail personnel.

L’intégration directe de contenus engendrés par l’IA doit être faite sous le régime de la citation.

bases théoriques et pratiques du ML (classification, régression, clustering), maîtrise des librairies Python (scikit-learn, pandas, numpy)

• Construire un pipeline ML production-ready avec scikit-learn.
• Évaluer rigoureusement un modèle (validation croisée stratifiée, métriques avancées).
• Interpréter et expliquer les décisions d'un modèle.
• Comparer une approche AutoML à un pipeline manuel et en analyser les limites.
• Appliquer des techniques ML sur des données temporelles.
• Anticiper et détecter les dérives de données en production.

• Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow, 3e éd., O'Reilly Media, 2022 
• Christoph Molnar, Interpretable Machine Learning, 2e éd., 2022 
• Sebastian Raschka, Machine Learning with PyTorch and Scikit-Learn, Packt, 2022 
• Chip Huyen, Designing Machine Learning Systems, O'Reilly Media, 2022 

Sites & ressources en ligne : 

• Documentation scikit-learn : https://scikit-learn.org/stable/
• SHAP library & documentation : https://shap.readthedocs.io/
• MLflow : https://mlflow.org/docs/latest/index.html