Démystifier le machine learning en milieu manufacturier

Introduction au Machine Learning 

• Qu’est-ce que le Machine Learning?
• Différences entre Intelligence Artificielle, ML et Deep Learning
• Cas d’usage concrets dans des secteurs comme le manufacturier, le commerce ou les services
• Présentation de la typologie des modèles : supervisé, non supervisé

 Comprendre un projet de Machine Learning

• Étapes d’un projet de Machine Learning :
  1. Collecte des données
  2. Nettoyage et préparation
  3. Entraînement d’un modèle
  4. Évaluation des résultats
  5. Déploiement (vue d’ensemble)
• Présentation d’un jeu de données typique : format requis, variables explicatives et cibles

 Démonstration d’un modèle supervisé 

• Objectif : prédire une variable continue (régression) ou catégorielle (classification)
• Utilisation d’une plateforme ML
  1. Construction d’un modèle en glisser-déposer
  2. Visualisation du processus d’entraînement
  3. Explication de la performance du modèle : précision, matrice de confusion
  4. Sensibilité au surapprentissage (overfitting)

 Exploration d’un modèle non supervisé 

• Présentation du clustering (k-means)
• Identification de regroupements naturels dans des données
• Démo interactive : segmentation de données sans variable cible

 Discussion et questions

• Comment appliquer ces concepts dans un contexte réel?
• Quels outils choisir pour aller plus loin?
• Quelles sont les limites du ML sans programmation?
• Références et suggestions de ressources accessibles