Statistique avancée : modéliser, prédire, comprendre l’IA

• Pédagogie de la démonstration : chaque notion est montrée en direct sur machine (surapprentissage provoqué, mini-réseau entraîné sous Excel, hallucination reproduite), puis appliquée dans un atelier court et guidé.
• Cinq ateliers et six livrables réutilisables dès le lendemain.
• Ateliers fournis prêts à l’emploi en trois versions : classeur Excel commenté, script R, notebook Python. Aucune ligne de code à écrire de zéro.
• Un ordinateur par participant.
• Livret pédagogique et les six outils d’ateliers : arbre de choix de l’outil statistique, checklist des 7 étapes d’un modèle, protocole de validation anti-surapprentissage, mini-réseau de neurones Excel commenté, carte forces et limites de l’IA générative, fiche d’engagement à 30 jours.
• Un support de cours (PDF)
• Exercices pratiques
• Tests d’évaluation

Matin : la boîte à outils et la méthode

9h00 - Accueil (15 min) : tour de table et autodiagnostic

• Recueil des attentes, quiz de positionnement, rappel éclair du niveau débutant.
• Chaque participant apporte une problématique chiffrée de son poste, réutilisée toute la journée.

9h15 - Séquence 1 (1 h 45) : la boîte à outils statistique des problèmes classiques

• Estimer : intervalle de confiance, marge d’erreur, taille d’échantillon (« quel taux, à combien près ? »).
• Comparer et prouver : tests d’hypothèses, test A/B, khi-deux ; la p-value sans mythologie (« ce changement a-t-il eu un effet ? »).
• Expliquer : régression linéaire, lecture des coefficients, corrélation contre causalité (« qu’est-ce qui explique nos coûts ? »).
• Prédire un oui ou un non : régression logistique et scoring, matrice de confusion, seuil arbitré en coût métier (« qui va résilier ? »).
• Prévoir : séries temporelles, tendance, saisonnalité, fourchette d’incertitude (« que vendrons-nous ? »).
• Atelier 1 : associer 10 questions métier réelles au bon outil. Livrable : l’arbre de choix de l’outil statistique.

11h00 - Séquence 2 (1 h 30) : construire un modèle statistique, étape par étape

• Les 7 étapes universelles : question métier, données (collecte, nettoyage, biais), choix du modèle, estimation et entraînement, validation (hors échantillon, diagnostics), interprétation et communication, suivi dans le temps.
• Les pièges de chaque étape : données non représentatives, fuite de données, surapprentissage, fausse précision.
• La même méthode pour tous les modèles, de la régression simple au réseau de neurones.
• Atelier 2 : dérouler les 7 étapes de bout en bout sur un cas de scoring. Livrable : la checklist des 7 étapes d’un modèle.

12h30 - Pause déjeuner

Après-midi : du machine learning à l’IA générative

13h30 - Séquence 3 (1 h 30) : le machine learning expliqué

• Ce que « apprendre » veut dire pour une machine : minimiser une erreur ; le lien direct avec la régression du matin.
• Supervisé et non supervisé : arbres de décision, forêts aléatoires, gradient boosting, clustering.
• Quand le machine learning bat la statistique classique, et à quel prix : performance contre explicabilité.
• Les garde-fous : découpage entraînement / test, validation croisée, détection du surapprentissage et de la fuite de données.
• Atelier 3 : régression contre gradient boosting sur le même cas, comparer performance et lisibilité. Livrable : le protocole de validation d’un modèle.

15h15 - Séquence 4, niveau avancé (1 h 45) : du deep learning à l’IA générative, la boîte noire ouverte

• Le réseau de neurones décomposé : un neurone est une régression, une couche en empile plusieurs, le réseau en empile des milliers ; poids, activation, fonction de coût.
• Comment il apprend : la descente de gradient en intuition (le randonneur dans le brouillard), la rétropropagation en une image ; pourquoi il faut tant de données, de calcul et d’énergie.
• Pourquoi « profond » : la hiérarchie des représentations, du pixel au visage, du mot au concept ; les embeddings, ou représenter le sens par des nombres.
• Comment naît un grand modèle de langage : pré-entraînement massif (prédire le mot suivant, des milliards de fois), puis ajustement par instruction et retour humain.
• Le LLM à l’usage : tokens, température, fenêtre de contexte ; pourquoi deux réponses diffèrent, pourquoi la machine « oublie » en cours de conversation.
• L’hallucination expliquée statistiquement : plausible n’est pas vrai ; les biais des données d’entraînement reproduits et amplifiés.
• Panorama de l’IA générative : texte, image, code, agents ; forces réelles, limites structurelles, tâches à déléguer, à encadrer, à refuser.
• Atelier 4a : construire un mini-réseau de neurones sous Excel (un neurone = une régression) et le voir apprendre en direct. Atelier 4b : disséquer une réponse d’IA générative avec les concepts de la journée. Livrable : la carte forces et limites de l’IA.

17h00 - Clôture (30 min) : la fresque complète, validation et engagement

• La fresque récapitulative : du test d’hypothèse au LLM, une seule et même famille de modèles.
• QCM de validation des acquis (15 questions) et correction commentée.
• Engagement individuel : le problème que chacun traitera dès la semaine suivante, avec quel outil. Évaluation à chaud, remise des livrables et de l’attestation. Fin à 17h30.

Le fil rouge : votre problématique

• Les démonstrations s’appuient sur le cas complet d’une PME multi-métiers (satisfaction, coûts, résiliations, ventes).
• En parallèle, chaque participant garde sous les yeux la problématique chiffrée de son poste : il la positionne dans l’arbre de choix en séquence 1, la passe au crible des 7 étapes en séquence 2, et repart en clôture avec l’outil qu’il lui appliquera.
• En intra, le cas PME est remplacé par vos données.