Formation machine learning avec R - Pyranhia

Formation de 5 jours pour maîtriser le Machine Learning supervisé avec R (tidymodels, keras) : de la théorie aux projets concrets.

Mots clés

Machine Learning, R, tidymodels, Keras, Deep Learning, Data Science, Formation francophone

Machine Learning avec R

Développez des modèles prédictifs performants en 5 jours.

5
jours intensifs

6
participants max

4
types de modèles

1
projet concret

Télécharger le flyer

Voir le programme

S’inscrire à la formation

Objectifs

Acquérir les bases du Machine Learning supervisé avec R pour concevoir, évaluer et déployer des modèles prédictifs fiables en s’appuyant sur les écosystèmes tidymodels et keras.

À l’issue de la formation, vous saurez choisir le bon modèle, éviter les pièges classiques et interpréter les résultats dans le cadre de problèmes réels.

Pour qui ?

Développeurs, data‑scientists, analystes, managers techniques, personnes en reconversion.

Prérequis

Cette formation s’adresse à des personnes ayant déjà une première expérience avec R et des bases en statistiques.

Statistiques & logique

• comprendre les notions de moyenne, médiane, variance et écart-type ;
• distinguer variable quantitative et variable qualitative ;
• savoir interpréter un tableau de données ;
• comprendre la logique conditionnelle (“si”, “et”, “ou”).

Programmation R

• être à l’aise avec les structures de base : data.frame, tibble, vecteurs ;
• savoir manipuler des données avec dplyr : filter(), select(), mutate(), group_by(), summarise() ;
• connaître les fonctions de base : summary(), str(), head(), mean() ;
• avoir déjà créé un graphique avec ggplot2 (même basique) ;
• utiliser le pipe |> ou %>%.

Environnement

• savoir utiliser RStudio (console, éditeur de scripts, environnement) ;
• avoir installé et chargé des packages avec install.packages() et library() ;
• savoir sauvegarder et charger des données (CSV, RDS).

NoteTestez vos connaissances (5 min)

Question 1 : Manipulation de données

Vous avez un tableau penguins avec les colonnes species, bill_length_mm, body_mass_g. Que fait ce code ?

penguins |> 
  filter(species == "Adelie") |> 
  summarise(masse_moyenne = mean(body_mass_g))

• A) Affiche toutes les lignes de l’espèce Adelie
• B) Calcule la masse moyenne de tous les manchots
• C) Calcule la masse moyenne des manchots Adelie
• D) Crée une nouvelle colonne masse_moyenne

Question 2 : Statistiques de base

Vous avez ces valeurs : 3, 5, 7, 9, 100. Laquelle de ces affirmations est vraie ?

• A) La moyenne et la médiane sont identiques
• B) La médiane est plus robuste aux valeurs extrêmes que la moyenne
• C) L’écart-type est proche de 0
• D) La variance est négative

Question 3 : Visualisation

Quel type de graphique ggplot2 utiliseriez-vous pour visualiser la relation entre deux variables quantitatives ?

• A) geom_bar()
• B) geom_boxplot()
• C) geom_point()
• D) geom_histogram()

Question 4 : Logique

Que retourne cette expression si x = 5 ?

(x > 3) & (x < 10)

• A) TRUE
• B) FALSE
• C) 5
• D) Une erreur

Question 5 : Variables

Dans un dataset contenant des informations sur des voitures, laquelle de ces variables est qualitative ?

• A) Puissance en chevaux
• B) Marque du véhicule
• C) Prix en euros
• D) Nombre de kilomètres au compteur

AstuceRéponses

1-C | 2-B | 3-C | 4-A | 5-B

4/5 ou plus ? Vous êtes prêt·e pour cette formation !
Moins de 4/5 ? Consultez d’abord notre formation d’introduction à R.

Ce que vous allez maîtriser

• concepts fondamentaux : apprentissage supervisé vs non‑supervisé, régression vs classification, notions de prédicteur vs cible, prédictif vs explicatif ;
• validation et évaluation : data‑split, cross‑validation, métriques d’évaluation ;
• modèles classiques : arbres de décision et dérivés (Random Forest, Boosting) avec tidymodels ;
• introduction au Deep Learning : réseaux de neurones multilayer perceptron (MLP), CNN avec keras, transfer learning ;
• gestion des données complexes : jeux déséquilibrés, dataset shift, données spatiales ;
• interprétation : comprendre quelles variables influencent le modèle et visualiser leur impact.

Informations pratiques

Format	En ligne via Posit Connect – aucune installation requise
Capacité	Maximum 6 participants pour un suivi personnalisé
Durée	5 jours : 4 jours de formation + 1 jour de mise en pratique (cas pratiques thématiques + mini projet)
Tarif	1900€ HT (2280€ TTC)
Prochaine session	Calendrier 2026 à venir
Inscription	contact@pyranhia.eu

Vous repartez avec

• Code R complet et commenté de tous les ateliers
• Supports de cours accessibles en ligne
• 2 séances de suivi post-formation (30 min)
• Certificat de participation

Programme

Jour 1 : Bases du ML & premiers modèles

• Définitions clés : ML/DL/IA, supervision, régression/classification
• Principes : train/test split, cross-validation, métriques essentielles
• Atelier : régression logistique & régression linéaire

Jour 2 : Modèles avancés & optimisation

• Réseaux de neurones (MLP) : architecture et applications
• Méthodes basées sur les arbres : Random Forest, Boosting
• Introduction au tuning d’hyperparamètres (learning rate, nombre d’arbres)

Jour 3 : Optimisation avancée, biais & interprétation

• Optimisation avancée des hyperparamètres
• Gestion des biais liés aux déséquilibres de donnée
• Interprétation des modèles : importance des variables et effets des prédicteurs

Jour 4 : Deep Learning & vision

• Classification d’images : features vs pixels, limites du MLP
• CNN : convolutions, deep features, transfer learning
• Entraînement pratique avec keras
• Aperçu des Transformers

Jour 5 : Mise en pratique

• Cas pratiques thématiques : mises en situation concrètes pour consolider les acquis
• Mini projet : cycle complet de ML sur un dataset réel dans un contexte métier qui vous correspond (santé, environnement, sciences sociales…)
• Vous prenez les décisions, de l’exploration des données jusqu’à l’interprétation des résultats
• Je reste disponible tout au long de la journée pour répondre à vos questions

Retour aux formations

S’inscrire à la formation