Machine Learning appliqué : du POC à la mise en production
5 jours intensifs pour data scientists et développeurs : du dataset aux modèles ML déployés en production. Scikit-learn, XGBoost, PyTorch, MLOps, monitoring. Cas concrets africains (banque, télécom, agriculture).
Pour les data scientists et développeurs qui industrialisent le ML
Les notebooks Kaggle, c'est facile. La production, c'est autre chose. Cette formation vous donne les méthodes pour livrer des modèles ML fiables, monitorés, évolutifs.
- ✓Maîtrise Python (pandas, numpy)
- ✓Notions de statistiques (moyenne, écart-type, corrélation)
- ✓Aisance Git et terminal
- →Préparer un dataset (cleaning, feature engineering, splits)
- →Entraîner et évaluer des modèles supervisés (classification, régression)
- →Déployer un modèle en API (FastAPI, conteneurs)
- →Mettre en place le monitoring (drift, performance, alertes)
5 modules · 5 jours
J1 — Fondamentaux ML et préparation données
Workflow ML, types de problèmes, métriques, biais/variance, train/val/test, feature engineering avec pandas/scikit-learn.
Vous structurez un projet ML correctement.
J2 — Modèles supervisés et tuning
Régression linéaire/logistique, arbres, random forest, XGBoost. Validation croisée, recherche d'hyperparamètres (GridSearch, Optuna).
Vous entraînez et optimisez vos modèles.
J3 — Deep Learning avec PyTorch
Réseaux neurones, classification d'images (CNN), introduction NLP (embeddings, transformers). Transfer learning.
Vous utilisez PyTorch pour des tâches réelles.
J4 — Déploiement et MLOps
Serialisation modèles, FastAPI, Docker, CI/CD pour ML (DVC, MLflow), introduction Kubeflow/Vertex AI.
Vous déployez un modèle en service réutilisable.
J5 — Monitoring, drift, ré-entraînement
Surveiller performance en prod, détection de drift (data drift, concept drift), alerting, pipeline de ré-entraînement.
Vous opérez vos modèles en confiance.
Matdonell K.
Data scientist et ML engineer. A déployé des modèles ML pour scoring crédit, détection de fraude, prédiction de churn et optimisation de tournées dans des banques, fintechs et opérateurs télécom en Afrique francophone. Approche : ML utile = ML monitoré.
- · Scoring crédit Mobile Money — fintech UEMOA (15M+ transactions/mois)
- · Détection de fraude — opérateur télécom (réduction fraude 40%)
- · Plateforme MLOps — banque digitale (12 modèles en prod)
Retours de participants
« Le module MLOps a transformé notre façon de livrer. On n'a plus de modèle 'abandonné' en prod. »
« 5 jours qui couvrent ce que j'ai mis 2 ans à apprendre sur le tas. Recommandé. »
« Approche pragmatique, pas de buzzword. On apprend ce qui sert vraiment. »
Choisissez votre format
1 100 000 FCFA (~2 558 CAD)
- · Effectif limité : 6-10 candidats
- · Restauration incluse sur 5 jours
- · Repo GitHub pédagogique livré
- · Compute cloud (GPU) fourni pour les ateliers
- · Replay 60 jours + canal d'entraide
- · Attestation Wakova
6 000 000 FCFA (~13 953 CAD)
- · Adapté à votre stack (cloud, frameworks)
- · Possibilité de travail sur vos vraies données (sous NDA)
- · Pré-diagnostic maturité ML inclus
- · 1 session de coaching technique 30 jours après
- · Dégressif au-delà de 2 sessions
Taux indicatif 430 FCFA/CAD (mai 2026)
Prochaines sessions
Les prochaines dates pour cette formation seront annoncées prochainement.
Transmettez-nous vos disponibilités et nous organiserons une session adaptée.
Demander une session — IA-MLE-004Questions fréquentes
Quel est le rapport avec IA-DEV-003 (Agents IA) ?+
Faut-il un GPU personnel ?+
Couvrez-vous TensorFlow ?+
Quels cas d'usage métier sont couverts ?+
Passez du notebook à la production ML.
Inscrivez-vous à la prochaine cohorte ou demandez un intra pour votre équipe data.