Formations
Data Science pour l'agriculture : méthodes de machine learning Présentiel
Dernière mise à jour : 09/10/2025
Objectifs de la formation
- 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.
- Intégrer l'usage de ces méthodes dans un workflow opérationnel avec l'appui de l'intelligence artificielle générative (IAG).
Public visé
Prérequis
- 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.
Description
Pour chaque séquence, des apports théoriques et des travaux pratiques seront proposés.
Jour 1
Présentation de la formation et tour de table
Algorithmes de machine learning :
- Méthodes de régression pénalisée, PLS, GAM, sélection de variable
- Arbres, random forest et gradient boosting
L'IAG au service de la datascience : opportunité et risques.
Jour 2
Retour sur la journée 1
Panorama complet des méthodes de machine learning : positionnement des algorithmes vus dans la formation
Place de l'IAG dans l'organisation du travail de modélisation.
- Processus complet (Workflow) allant de la préparation données à la visualisation des résultats
Méthodes d'évaluation (qualité de prédiction)
Conclusion
Formation initiée dans le cadre du RMT Science des données et Modélisation (www.modelia.org)
Equipement nécessaire
Modalités pédagogiques
Formation en salle avec diaporama projeté par vidéoprojecteur
- Exposés, échanges et quiz
- Travaux pratiques
Supports pédagogiques
Sera remis au participant en début de session :
- le PDF de la formation
- l'Ouvrage collectif « Data science pour l'agriculture et l'environnement - Méthodes et applications avec R et Python », Éditions Ellipses.
Modalités d'évaluation
- Questionnaire de positionnement.
- Évaluation des compétences acquises par des quiz et des exercices pratiques
- Évaluation de la formation par un questionnaire de satisfaction
Moyens de suivi et formalisation à l’issue de la formation
- Émargement par 1/2 journée
- Certificat de réalisation transmis par courriel à l'issue de la formation
Responsable pédagogique
Brun François
Responsable pôle agriculture numérique et science des données, Acta
- Expert en modélisation et méthode de modélisation pour l'agriculture
- Expert en machine learning pour concevoir des outils d'aide à la décision
- Expert en nouvelles technologies pour l'agriculture numérique
- Expert en agro-météorologie
Autres formateurs
Duyme Florent, Ingénieur, intervenant sur les méthodes de régression (Arvalis)
Legris Alexandre, Ingénieur, animateur du RMT Modelia, intervenant sur les arbres et forêts aléatoires (Idele)
Makowski David, Directeur de recherche, animateur du RMT Modelia, intervenant sur l'introduction et les méthodes de régression (INRAE)
Termier Alexandre, Professeur, intervenant sur la place de l’IAG dans le processus de modélisation (IRISA, Université de Rennes-INRIA)