Intelligence artificielle (IA)

Introduction au Machine Learning avec Scikit-learn

Cette formation Introduction au Machine Learning avec Scikit-learn s’adresse aux développeurs, analystes et professionnels IT souhaitant acquérir les fondamentaux de l’apprentissage automatique. En 14 heures, vous maîtriserez les concepts clés,…

14h

Débutant

distanciel,presentiel

Description de la formation

Cette formation Introduction au Machine Learning avec Scikit-learn s’adresse aux développeurs, analystes et professionnels IT souhaitant acquérir les fondamentaux de l’apprentissage automatique. En 14 heures, vous maîtriserez les concepts clés, les algorithmes essentiels et l’implémentation pratique avec la librairie Scikit-learn, référence incontournable du machine learning en Python.

Vous apprendrez à préparer vos données, construire des modèles prédictifs, évaluer leurs performances et optimiser vos résultats. Cette formation combine théorie et exercices pratiques pour une montée en compétences rapide et opérationnelle dans un domaine hautement demandé.

Disponible en distanciel et présentiel, cette formation est éligible au CPF, aux financements OPCO et France Travail. ESIC, organisme certifié Qualiopi, vous offre un accompagnement individualisé tout au long de votre parcours pour garantir votre réussite et votre intégration professionnelle.

Objectifs pédagogiques

Construire des modèles supervisés et non supervisés.
Évaluer et comparer les modèles.
Préparer les données pour le ML.

Programme détaillé

Module 1 Comprendre les principes du Machine Learning

Comprendre les principes fondamentaux du Machine Learning.
Identifier les principales familles d’apprentissage.
Situer Scikit-learn dans l’écosystème Python data.

Module 2 Préparer les données pour le Machine Learning

Comprendre le rôle central de la préparation des données.
Nettoyer et transformer un jeu de données.
Préparer les variables pour l’entraînement d’un modèle.

Module 3 Construire un premier modèle supervisé

Construire un premier modèle de classification ou de régression.
Comprendre les étapes d’entraînement et de prédiction.
Interpréter les premiers résultats obtenus.

Module 4 Évaluer et comparer les modèles supervisés

Choisir les métriques adaptées au type de problème.
Évaluer la performance d’un modèle.
Comparer plusieurs modèles de manière structurée.

Module 5 Construire un modèle non supervisé

Comprendre les principes de l’apprentissage non supervisé.
Construire un modèle de clustering.
Interpréter les résultats d’une segmentation.

Module 6 Structurer un workflow Machine Learning avec Scikit-learn

Structurer les différentes étapes d’un projet ML.
Utiliser les pipelines Scikit-learn.
Réduire les risques d’erreur et améliorer la reproductibilité.

Module 7 Cas pratique de synthèse

Mobiliser les acquis de la formation.
Construire un modèle ML simple de bout en bout.
Présenter les choix réalisés et les résultats obtenus.

Prérequis

Connaissances en Python et statistiques de base

Public visé

Débutants en ML, data scientists juniors

Modalités de la formation

⏱ Durée : 14h
📍 Format : 100% en ligne (distanciel synchrone) · Présentiel (Malakoff / Paris)
💰 Financements éligibles : OPCO · France Travail · Plan entreprise · Autofinancement
📊 Niveau d'entrée : Débutant
🎯 Pédagogie : Apports théoriques, exercices pratiques, études de cas, projet fil rouge
🗓️ Délai d'accès : variable selon le mode de financement, généralement de 11 jours ouvrés à 1 mois après l'inscription. En savoir plus.
♿ Accessibilité : Chaque demande émanant d'une personne en situation de handicap fait l'objet d'une étude de faisabilité et d'adaptation. Contactez notre référent handicap.

Équipe pédagogique

Nos formations sont conçues et animées par une équipe de formateurs experts, sélectionnés pour leur double compétence : une expertise métier acquise sur le terrain et une réelle expérience pédagogique. Le suivi de chaque apprenant est assuré par un référent pédagogique dédié.

Formateurs professionnels spécialistes de leur domaine, en veille permanente sur les évolutions du secteur
Référent pédagogique dédié, disponible tout au long du parcours
Contenus régulièrement actualisés et adaptés au niveau de chaque participant
Référent handicap pour l'accueil et l'adaptation des personnes en situation de handicap

Ressources pédagogiques

support pédagogique numérique
environnement Python configuré pour les travaux pratiques
notebooks ou scripts d’exercices
jeux de données d’entraînement
exemples de modèles Scikit-learn
exemples de pipelines de préparation et de modélisation
fiches de synthèse sur les principales métriques d’évaluation
corrigés ou éléments de correction
ressources complémentaires pour approfondissement
le support pédagogique du module
les jeux de données utilisés pendant la formation
les notebooks ou scripts de démonstration
les exercices pratiques
les éléments de correction
une fiche mémo sur les principales familles de modèles
une fiche de synthèse sur les métriques d’évaluation
des exemples de pipelines Scikit-learn
une bibliographie ou sitographie indicative pour approfondissement

Suivi de l'exécution et évaluation

Questions de validation sur les étapes d’un projet ML.
Vérification du modèle construit par les participants.
Le cas pratique de synthèse permet de vérifier la capacité du participant à préparer des données, construire un modèle supervisé ou non supervisé, évaluer les performances obtenues et interpréter les résultats.
Questions de positionnement
Exercices pratiques guidés
Questions flash ou quiz court
Cas pratique de synthèse
Auto-évaluation et retour formateur

Accessibilité

Les modalités d’accueil, d’accompagnement et d’évaluation peuvent être adaptées aux besoins des participants en situation de handicap. Les adaptations peuvent notamment porter sur : • les supports pédagogiques ; • le rythme de progression ; • les modalités d’interaction ; • l’organisation des exercices ; • les conditions de réalisation des évaluations ; • les outils numériques utilisés. Toute adaptation est étudiée en amont afin de garantir l’accessibilité de la formation, la participation effective du stagiaire et l’atteinte des objectifs pédagogiques, dans le respect du cadre.

Fiche mise à jour le 7 juillet 2026.

Introduction au Machine Learning avec Scikit-learn

Description de la formation

Objectifs pédagogiques

Programme détaillé

Prérequis

Public visé

Modalités de la formation

Équipe pédagogique

Ressources pédagogiques

Suivi de l'exécution et évaluation

Accessibilité

Formations similaires

Comprendre l’IA : Impact et utilisation dans la vie quotidienne et professionnelle

Expert en Jumeaux Numériques

Chef de projet data et intelligence artificielle

Les apprenants ont aussi consulté

Maîtriser Outlook pour une gestion professionnelle des courriels et du temps

Préparation à la certification LILATE Test d’aptitude à travailler en italien (RS7315)

InDesign – Réaliser des mises en page et publications professionnelles