Machine Learning & Deep Learning — Cours pratique
Bienvenue dans ce cours consacré au Machine Learning et au Deep Learning ! Contrairement à la formation Intelligence Artificielle, centrée sur les concepts et les services managés AWS en vue d’une certification, ce parcours est intégralement pratique : chaque notion est illustrée par du code Python exécuté et vérifié, dans des mises en situation métier concrètes.
À propos de ce cours
Section titled “À propos de ce cours”- Auteur : Junior TSAFACK
- Date de publication : 12 septembre 2026
- Objectif : vous rendre capable de construire, entraîner, évaluer et déployer des modèles de Machine Learning et de Deep Learning, en comprenant ce qui se passe sous le capot plutôt qu’en utilisant des bibliothèques comme des boîtes noires.
À qui s’adresse ce cours ?
Section titled “À qui s’adresse ce cours ?”- Data analysts et data scientists souhaitant passer de l’analyse descriptive à la prédiction.
- Développeurs et ingénieurs Cloud/DevOps qui veulent comprendre les modèles qu’ils déploient (SageMaker, Bedrock…).
- Étudiants et personnes en reconversion cherchant un parcours pratique, sans jargon inutile.
- Toute personne curieuse de savoir ce qu’il y a réellement derrière un modèle de classification, un chatbot RAG ou un agent IA.
Prérequis
Section titled “Prérequis”Des bases en Python sont utiles (variables, fonctions, boucles) mais pas indispensables : le Module 0 remet à niveau les bibliothèques de la data science (NumPy, pandas, Matplotlib, scikit-learn) avant d’entrer dans le vif du sujet.
Structure du parcours
Section titled “Structure du parcours”Le parcours est découpé en 11 modules, du plus fondamental au plus avancé. Chaque module associe une explication conceptuelle, du code exécuté et vérifié, et — pour les modules les plus applicatifs — un projet complet pouvant être réutilisé tel quel.
| # | Module | Ce que vous allez construire |
|---|---|---|
| 0 | Prérequis Python & Data Science | Manipulation de tableaux et tables avec NumPy et pandas, visualisation |
| 1 | Fondamentaux du Machine Learning | Le vocabulaire et les réflexes indispensables : apprentissage supervisé/non supervisé, sur-apprentissage, métriques |
| 2 | SQL pour l’analyse de données | Une base de données interrogée de bout en bout pour répondre à une vraie question métier |
| 3 | Régression & classification from scratch | Un moteur de régression et de classification codé en NumPy pur, sans scikit-learn |
| 4 | Classification supervisée | Un pipeline de classification complet avec scikit-learn, du feature engineering à l’évaluation |
| 5 | Clustering & optimisation | Un regroupement de points géographiques, puis l’optimisation de tournées |
| 6 | Deep Learning | Un réseau de neurones codé à la main, puis reproduit avec Keras |
| 7 | Vision par ordinateur | Un détecteur d’objets pré-entraîné, fine-tuné sur un nouveau domaine |
| 8 | Séries temporelles | Un modèle de prévision (famille ARMA) pour anticiper une demande |
| 9 | NLP, LLM & RAG | Un assistant documentaire fiable, qui cite ses sources et sait dire « je ne sais pas » |
| 10 | IA agentique | Un agent qui combine plusieurs outils et arbitre sous contrainte |
Une pédagogie centrée sur la vérification
Section titled “Une pédagogie centrée sur la vérification”Chaque exemple de code de ce cours a été réellement exécuté dans un environnement Python dédié (Anaconda), pas seulement rédigé : les sorties affichées sont les sorties réelles obtenues lors de la rédaction, pas des exemples inventés. C’est un principe non négociable de ce cours, cohérent avec le reste de ce portfolio.
Par où commencer ?
Section titled “Par où commencer ?”👉 Module 0 : Prérequis Python & Data Science
Ressources complémentaires
Section titled “Ressources complémentaires”Pour la théorie de l’IA générative, les services managés AWS et la préparation à une certification, consultez la formation Intelligence Artificielle — AWS Certified AI Practitioner.
Les projets construits en parallèle de ce cours sont disponibles, avec leur code source complet, dans la section Projets.
Bonne lecture et bon apprentissage ! Junior TSAFACK – 12/09/2026