Centrale Méditerranée
Sitraka FORLERCentrale Méditerranée · AMSE

Machine Learning, Option DDEFI

Séance 2

Vraisemblance, généralisation, lancement du projet

Mercredi 14 octobre 2026, 13:30–18:30, en salle
Centrale Méditerranée, Technopôle de Château-Gombert, Marseille

complexité du modèleerreurapprentissagetestsous-apprentissage ← | → sur-apprentissage
Figure 1 : biais et variance, l'erreur de test repasse par un minimum, l'erreur d'apprentissage ne remonte jamais.

Ouvrir la séance

Chaque séance a son mot de passe, donné en cours. Majuscules, espaces et traits d'union n'ont pas d'importance. Les slides sont chiffrées : rien n'est lisible sans lui.

Dans cette séance

  1. De la loi à la perte
  2. Biais-variance et fuites
  3. Audit des données en équipe
  4. Contrôle de fin de journée
Introduction14 octobre 2026Outils14 octobre 2026Séance 114 octobre 2026Séance 214 octobre 2026Séance 315 octobre 2026Séance 415 octobre 2026Devoir 1Jalon 1 (noté sur 5)Séance 515 décembre 2026Séance 616 décembre 2026Séance 716 décembre 2026Devoir 2Jalon 2 (25 %)Séance 812 février 2027Devoir 3Présentation finaleSéance 911 ou 12 février 2027Fil rougeRéférenceExempleRéférenceLe codeRéférenceProjetsRéférenceManuelRéférenceInfraRéférencePanoramaRéférenceDeep learningRéférence
Figure 2 : le fil du cours ; cette séance est encadrée.
SéanceTitreDate
IntroductionL'IA à la croisée des chemins : histoire, creux, emplois, et vous14 octobre 2026Ouvrir
OutilsKaggle, GitHub, Python : vos outils, vos comptes, votre dépôt14 octobre 2026Ouvrir
Séance 1Cadrer avant de modéliser, puis les moindres carrés14 octobre 2026Ouvrir
Séance 2Vraisemblance, généralisation, lancement du projet14 octobre 2026
Séance 3Optimisation convexe et régularisation15 octobre 2026Ouvrir
Séance 4Décider sous coût, livrer un dépôt reproductible15 octobre 2026Ouvrir
Devoir 1Jalon 1 : votre projet et sa problématique (noté sur 5)Jalon 1 (noté sur 5)Ouvrir
Séance 5Titanic à finir ensemble, noyaux, SVM et arbres de décision15 décembre 2026Ouvrir
Séance 6Forêts, boosting et la comparaison honnête16 décembre 2026Ouvrir
Séance 7Expliquer, auditer l'équité, découvrir sans étiquettes16 décembre 2026Ouvrir
Devoir 2Jalon 2 (25 %) : une OLS ou une classification simple sur votre projetJalon 2 (25 %)Ouvrir
Séance 8Réseaux de neurones, dérive, conformité, mise en service12 février 2027Ouvrir
Devoir 3Présentation finale avec le code (50 %) : le projet livréPrésentation finaleOuvrir
Séance 9Journée de présentation finale : les soutenances11 ou 12 février 2027Ouvrir
Fil rougeLe fil rouge, pas à pas : le dépôt du score de défaut, en captures d'écranRéférenceOuvrir
ExemplePrédire le prix d'un actif : séries temporelles, XGBoost et le sentiment des newsRéférenceOuvrir
Le codeLe code de chaque modèle : importer, télécharger par API, ajuster, prédireRéférenceOuvrir
ProjetsDonnées ouvertes et projets de machine learning par secteur : finance, assurance, logistique, tech, sportRéférenceOuvrir
ManuelLe manuel de l'expert data et IA : cadrer, outiller, modéliser, déployer, observerRéférenceOuvrir
InfraData engineering, SRE et cloud : les commandes, les principes, les métiers, du junior à l'expertRéférenceOuvrir
PanoramaPanorama des modèles : lesquels, pour quoi faire, dans quels secteursRéférenceOuvrir
Deep learningLe deep learning, l'essentiel : les concepts clés, pourquoi les connaître, les maths au tableau, et un mini-TDRéférenceOuvrir

Tableau 1 : les séances du cours, dans l'ordre ; chacune s'ouvre avec son propre mot de passe.