Durée
21 heures
Mode
Présentiel
Public Cible
Acteurs liés au processus et systèmes de fabrication :
- Ingénieurs de production de l’industrie manufacturière
- Responsables de production de l’industrie manufacturière
- Ingénieurs qualité
- Responsables processus et systèmes de fabrication
Collaborateurs avec connaissances en programmation Python :
- Personnes ayant des connaissances en programmation Python
Pré-requis
Connaissances en programmation Python
Objectifs pédagogiques
Comment optimiser votre production grâce aux techniques de "Machine Learning" ?
Apprenez à intégrer les techniques de Machine Learning dans vos démarches d'amélioration continue, d'excellence opérationnelle ou de méthodologie Six Sigma pour transformer vos processus et booster la performance globale.- Maîtriser les principes et les objectifs clés des techniques de Machine Learning.
- Utiliser et perfectionner des méthodes essentielles de Machine Learning pour analyser, optimiser et améliorer les performances des systèmes de production.
Description du programme
La formation se déroule sur 3 jours (1 jour/semaine), à raison d'une journée par semaine, permettant ainsi une progression régulière et une assimilation optimale.
Note : cas concrets, avec une découverte et une manipulation des outils dans un environnement pratique. Les participants auront l'opportunité de déployer leurs compétences sur une base de données générique fournie par les formateurs, garantissant ainsi une application directe des connaissances acquises.
I - Découverte et analyse des
finalités des techniques de «machine learning» à partir de différents scenarii. 1 - Estimation,
Estimateur, biais, … (notions clés de statistiques)
2 - Scenarii de déploiement des
techniques de Machine Learning pour l’amélioration des performances des systèmes de production (illustrés sur une étude de cas) : - Identifier
les paramètres clés de mon système de production et de mes produits
- Identifier
les stratégies de réglage du système de production
- Prédire
le taux de non-conformité Produit
- Identifier les causes d’une
non-conformité Produit ou de défaillance Process
II - Prétraitement de données
3 - Préparer les données pour
mieux les exploiter : - Nettoyage des valeurs
manquantes
- Codage des valeurs
non-numériques
- Transformation et mise à
l’échelle des données
- Réduction de la dimensionnalité
; réduire le nombre de paramètres en fonction de leur pertinence
- Applications sur une étude de
cas – mise en œuvre avec Python
III - Découverte et maîtrise
des techniques d’association et de classification
4 - Réduire le volume et/ou les dimensions de données à traiter, extraire des règles de réglages
- Réduction de la
dimensionnalité, et étude de corrélation entre les paramètres : Analyse de
composantes principales, …
- Extraction des règles qui
régissent un jeu de données : Arbres de décision, Random Forest.
- Régression logistique
- Applications sur une étude de
cas – mise en œuvre avec Python
IV : Découverte et maîtrise
des techniques de classification et clustering.
5 - Prédire la production non
conforme/défaillante ; Identifier les causes de non-conformité ou de
défaillance. - Identification des groupes de
données similaires (ex : gammes de production) : K-MEANS.
- Prédiction de la
non-conformité : KNN & SVM.
- Applications sur une étude de
cas – mise en œuvre avec Python
V - Découverte de la
conception de réseaux de neurones.6 - Prédire les performances de
systèmes de production- Base de la conception d’un
réseau de neurones en classification et régression
- Amélioration des prédictions
(par configuration des hyperparamètres du réseau)
- Applications sur plusieurs études de cas – mise en
œuvre en Python et Tensorflow
Dates (3 jours de formation) : Jour 1 - Mardi 15 avril 2026
Jour 2 - Mardi 28 avril 2026Jour 3 - jeudi 7 mai 2026
Tarifs : 1 980,00 euros net de taxe (les 3 jours de formation avec déjeuner inclus.)
Modalités pédagogiques
Cette formation de 3 jours (15 avril / 28 avril / 7 mai) combine apports théoriques et applications pratiques. Elle débute par des sessions de cours interactives sur les techniques avancées de nettoyage de données, suivies de travaux pratiques permettant aux participants de déployer un outil de Machine Learning en situation réelle. Les participants travailleront sur des cas concrets, leur permettant d’acquérir des compétences directement applicables dans leur environnement professionnel. Des discussions et retours d’expérience en groupe viendront compléter l’apprentissage.
Nombre de participants maximum : 15 participants.
Formateur
Pr. Jean-Yves DANTAN, Professeur des universités en Génie Mécanique et industriel.
Dr. Wahb ZOUHRI, Maître de conférences en Génie industriel.
Dr. Alain ETIENNE, Maître de conférences en Génie informatique et industriel.
Dr. Lazhar HOMRI, Maître de conférences ne Génie mécanique et industriel.
|