Formation Devenir Ingénieur Machine Learning : Carrière Flexi-Temps

Introduction au Machine Learning et ses applications

• —Définition du Machine Learning et concepts clés (apprentissage supervisé/non supervisé/par renforcement)
• —Panorama des applications du ML (vision par ordinateur, NLP, finance, santé)
• —Présentation de l'environnement Python pour le ML (Jupyter Notebook, Colab)

Fondamentaux de Python pour l'IA

• —Rappels sur les structures de données Python (listes, dictionnaires, tuples)
• —Fonctions, classes et objets en Python
• —Manipulation de données avec NumPy (tableaux, opérations matricielles)

Analyse et préparation des données avec Pandas

• —Introduction à Pandas (DataFrame, Series)
• —Importation et exploration de données (CSV, Excel)
• —Nettoyage des données (valeurs manquantes, doublons, types de données)

Visualisation des données avec Matplotlib et Seaborn

• —Création de graphiques élémentaires (histogrammes, nuages de points, courbes)
• —Visualisation de distributions et de corrélations
• —Personnalisation et interprétation des graphiques

Introduction aux algorithmes d'apprentissage supervisé

• —Définir l'apprentissage supervisé et ses applications concrètes
• —Identifier les types de problèmes résolus par l'apprentissage supervisé
• —Explorer les principales techniques d'algorithmes supervisés
• —Comparer les performances des modèles d'apprentissage supervisé
• —Mettre en œuvre un modèle simple avec Scikit-learn pour une tâche prédictive

Modèles d'apprentissage supervisé: Arbres et Forêts

• —Explorer la structure des arbres de décision et leur fonctionnement interne
• —Implémenter des arbres de décision avec Scikit-learn sur un jeu de données
• —Comparer les performances entre arbres de décision et forêts aléatoires
• —Optimiser les hyperparamètres des forêts avec la validation croisée
• —Interpréter les résultats des modèles d'arbres et de forêts pour la prise de décision

Algorithmes d'apprentissage non supervisé: Clustering

• —Introduction au clustering (définition, applications)
• —K-Means: principes, choix du nombre de clusters
• —Concepts de DBNScan et Hierarchical Clustering

Évaluation des modèles de Machine Learning

• —Métriques de classification (précision, rappel, F1-score, courbe ROC)
• —Métriques de régression (MSE, MAE, R-squared)
• —Cross-validation et validation hold-out

Pipeline de Machine Learning avec Scikit-learn

• —Présentation de la librairie Scikit-learn
• —Construire un pipeline complet (prétraitement, modélisation, évaluation)
• —Feature Scaling et encodage des variables catégorielles

Introduction au Deep Learning et TensorFlow/Keras

• —Différence ML vs Deep Learning, neurones artificiels
• —Architectures de réseaux de neurones (MLP, couches denses)
• —Utilisation de Keras pour construire un premier modèle de classification

Préparation à l'implémentation et déploiement basique

• —Sérialisation de modèles (pickle, joblib)
• —Notions de déploiement (API Flask/FastAPI, conteneurisation Docker)
• —Bonnes pratiques de code et gestion de projet ML

Éthique, biais et tendances futures en ML

• —Biais des algorithmes et équité en IA
• —Explicabilité des modèles (XAI) et interprétabilité
• —Tendances émergentes (AutoML, MLOps, IA générative)

OPCO

Formations financées via votre opérateur de compétences

FAF

Aide à la formation pour les indépendants

France Travail

Des aides pour les demandeurs d'emploi

Employeur

Votre entreprise peut financer votre formation

FNE-Formation

Un soutien pour les entreprises en transformation

- Notions de programmation (idéalement Python) - Compréhension des concepts mathématiques de base (algèbre linéaire, statistiques) - Curiosité et motivation pour l'apprentissage automatique

- Ordinateur personnel (Windows, macOS ou Linux) - Connexion internet stable - Environnement de développement Python (Anaconda ou Miniconda recommandé)

5 tests d'évaluation sont proposés à l'apprenant en fin de formation pour connaître son niveau sur chaque compétences visées.

Plateforme et contenus e-learning à disposition. Test de positionnement Quizz & Evaluations

Nous vous recevons lors d’un rendez-vous d’information préalable gratuit et confidentiel en visioconférence pour analyser vos besoins et co-construire votre parcours personnalisé. Chaque demande s’accompagne de la remise d’une convention ou d’un contrat précisant l’ensemble des informations relatives à la formation (Tarifs, calendrier, durée, lieu…). Ce contrat/convention sera transmis électroniquement par email.

A partir de l’accord de prise en charge par le financeur sollicité, le bénéficiaire peut démarrer sous un délai de 11 jours ouvrés. Si vous financez votre parcours de formation par vos propres moyens, alors le délai d'accès est immédiat. Vous pouvez entrer en formation tout au long de l’année.

♿️ Nous accueillons les personnes en situation de handicap. Les conditions d’accessibilité aux personnes handicapées sont inscrites sur le site imi-education.fr, rubrique Accessibilité.

Saskia Cazettes Pour tout renseignement : 07 80 91 06 14 / saskia.c@imi-executive-solutions.com

23 mars 2026

La formation alterne apports théoriques, mises en situation pratiques et échanges entre participants. Chaque concept est directement appliqué via des exercices concrets et des cas réels.

Oui, chaque participant reçoit un support de cours complet (format numérique et/ou papier) qu'il peut conserver à l'issue de la formation.

Certaines de nos formations sont éligibles au Compte Personnel de Formation (CPF). Consultez la fiche formation ou contactez-nous pour vérifier l'éligibilité.

Plusieurs dispositifs de financement existent : CPF, OPCO, plan de développement des compétences, financement individuel. Notre équipe peut vous accompagner dans vos démarches.

Oui, notre équipe reste disponible pour toute question post-formation. Vous bénéficiez également d'un accès à nos ressources en ligne pendant 6 mois après votre parcours.

Les objectifs de la formation sont de maîtriser les fondamentaux de Python pour le Machine Learning, de concevoir et d'évaluer des modèles d'apprentissage supervisé et non supervisé, de mettre en œuvre des pipelines ML productifs et d'appliquer les concepts de base du Deep Learning.

Aucun prérequis spécifique, mais une connaissance de base en programmation est recommandée.

La progression des participants est évaluée à travers des exercices et des projets, des examens écrits et oraux, ainsi que l'évaluation de la participation et de la qualité des contributions.

Notre organisme de formation s'engage à accueillir et accompagner les personnes en situation de handicap. Notre référente handicap, Mme Lorène Travaux est disponible pour étudier avec vous les adaptations pédagogiques, techniques ou logistiques nécessaires avant toute inscription. Contactez-nous à hello@imi-executive-solutions.com ou au 06 72 09 69 52.