Le programme, module par module

1. Module 1 — Qu'est-ce que le machine learning, concrètement

   Distinguer ce que le machine learning apporte de plus qu'une analyse classique : prédire à partir d'exemples passés.

2. Module 2 — Préparer ses données pour un modèle

   Construire des features pertinentes par feature engineering — ratios, encodage, dates — sans provoquer de fuite de donnée.

3. Module 3 — Modèles de classification et de régression

   Choisir entre classification et régression selon la nature de la réponse recherchée, en commençant par le modèle le plus simple.

4. Module 4 — Évaluer un modèle

   Évaluer un modèle avec précision et rappel plutôt que la seule exactitude, sur des données jamais vues à l'entraînement.

5. Module 5 — Utiliser des modèles pré-entraînés

   Utiliser un modèle pré-entraîné via une API — texte, image — plutôt qu'entraîner un modèle sur mesure, sauf besoin spécifique avéré.

6. Module 6 — Cas d'usage business

   Reconnaître les cas d'usage business du ML — churn, scoring, recommandation — comme aide à la décision humaine, jamais comme automatisation aveugle.

7. Module 7 — Éthique et biais algorithmique

   Détecter un biais algorithmique en comparant la performance d'un modèle entre sous-groupes, pas seulement en moyenne globale.

8. Module 8 — Quand faire appel à un data scientist

   Repérer les signaux qui imposent de faire appel à un data scientist professionnel plutôt que de continuer seul.

9. Module 9 — Insertion professionnelle et certification

   Certification

   Module transverse : CV/portfolio, marque professionnelle, entretien, activation du marché de l'emploi — spécifique aux débouchés réels de cette formation. Déclenche la génération du certificat final.

Comment se passe la certification

Trois paliers, du plus simple au plus exigeant. Chacun n'affirme que ce qu'il vérifie vraiment.

La mention s'ajoute à votre certificat de réussite, elle ne le remplace jamais : rien ne bloque le certificat pour une raison hors de la plateforme.