IA_BASE - Science des données pour l'ingénieur: les fondamentaux de l'apprentissage artificiel Présentiel
Dernière mise à jour : 24/03/2026
Langue de la formation : Français/French
Secteurs : Compagnie Aérienne/Airline, Services de la navigation aérienne/Air Navigation Service Provider
Thèmes : Réglementation et navigabilité/Reglementation and airworthiness
Public : Cadres / Executives
Public visé
Personnels travaillant dans des équipes de Data Science (Data scientist, Machine Learning engineer,…) mais aussi personnels techniques diplômés d'un diplôme d'ingénieur ou de master of science en mathématiques ou informatiques amené à collaborer avec des équipes de Data Science (développeurs informatiques, responsable technique d'un projet informatique, …).
Responsable de stage
Nicolas COUELLAN / Ludovic D’ESTAMPES
Mail de contact
formationcontinue@enac.fr
Durée pédagogique réelle
21 h
Résumé
Présenter les fondamentaux de l’apprentissage artificiel supervisé et non supervisé pour l’ingénieur.
Objectifs de la formation
- Présenter le contexte des données massives et la problématique de la qualité des données.
- Présenter les principes fondamentaux de l'apprentissage artificiel, les principes d'inférence, les différents choix possible de représentation et de modélisation.
- Présenter le cadre méthodologique de l'apprentissage, et les éléments d'optimisation utiles aux méthodes d'apprentissage.
- Illustrer ces différentes approches (utilisation du langage Python) : compromis biais-variance, manipulation de données et visualisation de données sur des jeux de données du domaine « aéronautique ».
Prérequis
- Calcul vectoriel et matriciel (10h)
- Optimisation (15h)
- Probabilités / statistique (10h)
- Programmation Python (20h)
Description
- Introduction, notions générales de l'apprentissage artificiel
- Apprentissage supervisé : classification, régression
- Théorie bayésienne de la décision
- Hypothèses usuelles en régression ou en classification
- Principes d'inférence, et choix usuels de fonctions d'erreur
- TP Manipulation de données
- Classification avec des modèles linéaires : perceptron simple, régression logistique, analyse discriminante linéaire
- Régression avec des modèles linéaires : moindres carrés ordinaires, régression ridge, autres méthodes avec régularisation (lasso), propriétés selon les hypothèses
- Pièges usuels : sur-apprentissage, fléau de la dimension, fuites d'information. Le compromis biais-variance
- Sélection et évaluation de modèles : validation croisée, bootstrap, mise en situation sur la méthodologie
- Sélection et extraction de variables explicatives : scores, méthodes avec sélection intégrée, analyse en composantes principales, autoencodage pour l'extraction de variables
- Quelques éléments sur l'apprentissage non supervisé et l'apprentissage par renforcement
- Préparation et exploration des données
- TP Compromis 10h-11h Biais variance
- Éléments d'optimisation pour l'apprentissage
- TP Visualisation des données
Méthodes pédagogiques utilisées : Alternance d'apports théoriques et pratiques, exercices.
Support remis : Support de cours, support de TP (notebook jupyter).
Points forts
- Multiples intervenants spécialisés en data science
- Atelier de mise en pratique autour de cas concrets du Transport Aérien