Pavillon du gouvernement, C/ Padre Herrera s/n
Boîte postale 456
38200, San Cristóbal de La Laguna
Santa Cruz de Ténérife - Espagne
Standard Tél. : (+34) 922 31 90 00
Horaires : Lun, de 8h00 à 21h00
Introduction à l'apprentissage automatique
Introduction à l'apprentissage automatique
Aperçu
Ce programme de formation permet aux étudiants d'acquérir les compétences nécessaires pour formuler et structurer des problèmes d'apprentissage automatique en fonction de besoins concrets, en distinguant les tâches de prédiction, de classification et de clustering, et en sélectionnant les données, les caractéristiques et les métriques les plus appropriées pour chaque cas. Les participants apprendront à préparer, traiter et modéliser des jeux de données à l'aide d'outils de l'écosystème Python, à développer des pipelines reproductibles avec pandas et scikit-learn, et à appliquer des modèles supervisés et non supervisés de base. Enfin, ils développeront des compétences en matière d'évaluation, d'interprétation et de communication des résultats de modélisation à l'aide de métriques appropriées, ainsi que de déploiement de prototypes d'inférence légers avec Streamlit ou Gradio afin de démontrer concrètement l'utilité et l'applicabilité du modèle construit.
- Acquérir les compétences nécessaires pour formuler et structurer des problèmes d'apprentissage automatique (prédiction, classification et regroupement) en fonction des besoins réels, en identifiant les données et les indicateurs appropriés.
- Préparer, traiter et modéliser des ensembles de données à l'aide d'outils Python, en construisant des pipelines reproductibles avec pandas et scikit-learn, et en appliquant des modèles supervisés et non supervisés de base.
- Évaluer, interpréter et communiquer les résultats en utilisant des métriques appropriées et en déployant des prototypes d'inférence légers (Streamlit ou Gradio) qui démontrent l'applicabilité du modèle.
programme académique
Si vous n'êtes pas titulaire d'une licence, les étudiants inscrits en licence ou en master seront acceptés, de préférence dans les domaines de l'ingénierie, de l'architecture et des sciences, car ces formations offrent les bases techniques et analytiques nécessaires à la compréhension du contenu du cours. À l'Université de La Laguna, les licences suivantes sont particulièrement pertinentes :
Branche Ingénierie et Architecture
- Licence en génie informatique
- Licence en génie électronique et d'automatisation industrielle
- Licence en génie mécanique
- Licence en génie chimique industriel
- Licence en génie civil
- Diplôme en architecture technique
- Licence en technologies marines
- Diplôme en études nautiques et transport maritime
Branche des sciences
- Licence en mathématiques
- Licence en physique
- Licence en chimie
- Licence en biologie
- Licence en sciences de l'environnement
Les étudiants et les diplômés d'autres domaines du savoir, tels que les sciences sociales et le droit, les sciences de la santé ou les arts et les lettres, peuvent également être admis, à condition qu'ils démontrent un intérêt ou une expérience dans des domaines liés à la technologie, à l'analyse des données, à la programmation ou à l'innovation numérique.
programme académique
Bloc 0 : Premiers pas et état d’esprit en matière d’apprentissage automatique
- Introduction à l'environnement de travail : installation de Python 3.11+, des principales bibliothèques (pandas, scikit-learn).
- Gestion de versions et bonnes pratiques avec Git et GitHub
- Structure typique d'un projet d'apprentissage automatique.
- Création d'une fiche de données pour documenter les données.
Bloc 1 : Données et analyse exploratoire des données (EDA)
- Nettoyage et débogage des données
- Imputation des valeurs manquantes et gestion des valeurs aberrantes
- Ingénierie variable légère
- Visualisation exploratoire (distributions, corrélations, relations clés)
Bloc 2 : Apprentissage supervisé I
- Modèles de base : régression linéaire, régression logistique et arbres de décision
- Création de modèles de référence et comparaison des modèles initiaux
- Régulation et contrôle du surajustement
- Interprétation des coefficients et des règles
Bloc 3 : Apprentissage non supervisé
- Algorithmes de clustering : k-means, DBSCAN
- Réduction de dimensionnalité : ACP, UMAP
- Métriques d'évaluation interne (silhouette, Davies-Bouldin)
- Cas d'utilisation typiques : segmentation client, détection d'anomalies, compression de données.
Bloc 4 : Évaluation et validation
- Séparation des données : division train/validation/test, validation croisée (k-fold)
- Validation et gestion des séries temporelles.
- Principaux indicateurs : MAE, RMSE, précision, F1, PR-AUC
- Ajustement des seuils et optimisation des décisions.
Bloc 5 : Projet intégratif
- Formulation d'un cas pratique complet d'apprentissage automatique.
- Développement d'un pipeline de bout en bout (données -> modèle -> inférence)
- Préparation du rapport technique et visualisation des résultats.
– Expositions, débats et présentation de travaux et de projets : activités encadrées par le personnel enseignant.
– Méthodologies actives : apprentissage coopératif, apprentissage par projet, classe inversée, apprentissage par le service, apprentissage par le jeu, études de cas, résolution de problèmes visant à faire de l’apprentissage un processus participatif.
D'après les tests d'évaluation suivants :
– Des tests objectifs (vrai/faux, choix multiple, types de tests, à compléter, à classer, etc.) permettront d’évaluer les connaissances, les compétences, les performances, les aptitudes, etc. Les réponses seront fermées et l’objectivité sera privilégiée lors de la correction.
– Études de cas, exercices et résolution de problèmes : tests dans lesquels les étudiants doivent résoudre, de manière raisonnée, dans un temps imparti et selon des critères établis, les cas, exercices ou problèmes posés par l’équipe pédagogique, dans le but d’appliquer les connaissances acquises.
– Travaux, mémoires, rapports de stage, rapports écrits et projets : documents préparés sur un sujet ou une activité réalisée, suivant les instructions établies par le personnel enseignant.
– Présentation orale et soutenance de sujets, d'œuvres, etc.
informations générales
Crédits : 2 ECTS
Durée: 26/12/2025-16/01/2026
Modalité d'enseignement : En présentiel/En ligne/Hybride
Emplacement: Salle de classe virtuelle / École supérieure d'ingénierie et de technologie
Inscription
Des formations courtes sont proposées en différents formats (présentiel, en ligne ou hybride). Idéales pour se former sans interrompre sa vie professionnelle.
Un contenu créé et diffusé par des professionnels et des experts du domaine, conçu pour une application immédiate.
Ce programme est approuvé par l'Université de La Laguna. Vous recevrez un certificat ECTS officiel, valable dans l'Espace européen de l'enseignement supérieur.
personnel enseignant
Professeure à l'Université de La Laguna, titulaire d'une licence en mathématiques et d'un doctorat en statistiques, recherche opérationnelle et informatique, elle enseigne au département d'ingénierie informatique et des systèmes, dans le domaine de l'informatique et de l'intelligence artificielle. Elle dirige le groupe de recherche CryptULL ainsi que le groupe de recherche en cryptologie de l'ULL.
Engagé pour un projet de recherche à l'Université de La Laguna
Frais de scolarité
Lien d'inscription
Frais d'inscription avec ou sans réduction : 50 €. Prix par crédit : 25 €.
Les frais de scolarité sont subventionnés par la Chaire de cybersécurité de l'Université de La Laguna C065/23, financée par l'Institut national de cybersécurité (INCIBE) et par des fonds du Plan pour la reprise, la transformation et la résilience – Fonds européens de nouvelle génération.
