• Acquérir les bases permettant de manipuler les principales méthodes de machine learning pour des objectifs de prédiction. 
• Appréhender la pratique réelle de ces méthodes au travers d'exemples et de travaux pratiques avec le logiciel R.
• Savoir intégrer l'usage de ces méthodes dans un workflow opérationnel avec l'appui de l'intelligence artificielle générative (IAG). 

• Avoir des connaissances de base du logiciel R
• Maîtriser les méthodes de base de régression

L'inscription à la formation est validée par un questionnaire de positionnement.

Classe virtuelle 1

Présentation de la formation, tour de table et introduction à la datascience

Méthodes de régression (pénalisée, PLS,GAM, sélection)

+ Travail individuel « Méthodes de régression » à réaliser en asynchrone et à rendre avant 17h aux formateurs (durée estimée 1h)

Classe virtuelle 2

Retour sur le travail individuel « Méthodes de régression »

Méthodes d'évaluation de la qualité de prédiction

+ Travail individuel « Méthodes d'évaluation » à réaliser en asynchrone et à rendre avant 17h aux formateurs (durée estimée 1h)

Classe virtuelle 3

Retour sur le travail individuel « Méthodes d'évaluation »

Arbres, random forest et gradient boosting

+ Travail individuel « Arbres, random forest et gradient boosting» à réaliser en asynchrone et à rendre avant 17h aux formateurs (durée estimée 1h)

Classe virtuelle 4

Retour sur le travail individuel « Arbres, random forest et gradient boosting»

Interprétabilité des modèles de machine learning : Partial Dependence Plots et SHapley Additive exPlanations

Utiliser l'intelligence artificielle générative (IAG) pour coder et faire du machine learning

+ Travail individuel « Interprétabilité des modèles » et à réaliser en asynchrone et à rendre avant le soir aux formateurs (durée estimée 1h)

+ Travail individuel « IAG pour coder sous R » et à réaliser en asynchrone et à rendre avant 17h aux formateurs (durée estimée 1h)

Classe virtuelle 5

Retour sur les travaux individuels « Interprétabilité des modèles » et « IAG pour coder sous R »

Principe des LLM et de l'IAG et intégration dans flux de travail scientifique complet

Quiz de fin, conclusion et clôture de la formation

• Exposés, échanges et quiz
• Pour chaque cours, des apports théoriques et des illustrations pratiques seront proposés
• Travaux pratiques personnels asychrones à réaliser les après-midis et à rendre aux formateurs avant 17h

• PDF de la formation fourni en début de session
• Ouvrage collectif « Data science pour l'agriculture et l'environnement – Méthodes et applications avec R et Python » Editions Ellipses

• Questionnaire de positionnement
• Évaluation des compétences acquises lors de la formation par des quiz, des exercices pratiques individuels et un quiz final
• Évaluation de la formation par un questionnaire de satisfaction

• Émargement par classe virtuelle
• Certificat de réalisation transmis par courriel à l’issue de la formation