Programme de Formation
16
module(s)
Durée totale : 720
Le chapitre le plus complet du cours. Maitrisez le workflow d'un projet ML, les grands algorithmes classiques (regression logistique, KNN, arbres, forets, SVM, K-means, PCA) et toute la chaine scikit-learn : features, normalisation, pipelines et sauvegarde de modeles.
Module 1 : Le workflow type d'un projet ML
45
Decouvrez les 6 etapes universelles d'un projet de Machine Learning, du probleme metier au modele en production. Une carte mentale qui vous guidera dans toutes les lecons qui suivent.
Module 2 : Separer donnees d'entrainement et de test
45
Apprenez le geste qui definit tout praticien du ML : separer vos donnees en entrainement et test avec train_test_split, pour mesurer honnetement la performance d'un modele sur des donnees inconnues.
Module 3 : Scikit-learn : l'API fit / predict / score
45
Decouvrez le pattern universel de scikit-learn. Trois verbes simples (fit, predict, score) suffisent a utiliser n'importe quel modele du catalogue, du plus simple au plus avance.
Module 4 : Votre premier modele : la regression logistique
45
Construisez votre premier classifieur binaire avec la regression logistique. Comprenez la courbe sigmoide, le seuil de decision et la lecture des coefficients, sur un cas concret de detection de risque.
Module 5 : K plus proches voisins (KNN)
45
Decouvrez l'algorithme le plus intuitif du ML : la decision par consultation des voisins les plus proches. Apprenez a choisir K, pourquoi normaliser est crucial et les limites de l'approche.
Module 6 : Arbres de decision : interpretables
45
Construisez un arbre de decision avec scikit-learn, visualisez ses regles, controlez sa profondeur pour eviter le surapprentissage, et decouvrez pourquoi c'est le modele prefere des metiers qui veulent comprendre.
Module 7 : Forets aleatoires (Random Forest)
45
Combinez des centaines d'arbres pour obtenir un des modeles les plus robustes du ML classique. Comprenez le bagging, la sagesse des foules et comment utiliser une foret aleatoire en production.
Module 8 : Regression lineaire pour predire un nombre
45
Construisez votre premier modele de regression. Comprenez la droite des moindres carres, interpretez les coefficients et evaluez avec RMSE, MAE et R^2. Un classique toujours pertinent.
Module 9 : SVM en 30 minutes : juste l'essentiel
30
Comprendre l'intuition des machines à vecteurs de support (SVM), le concept de marge maximale et savoir utiliser scikit-learn en cinq lignes.
Module 10 : Clustering avec K-means
45
Découvrir le clustering non-supervisé avec l'algorithme K-means : principe, choix du nombre de groupes avec la méthode du coude, et mise en pratique avec scikit-learn.
Module 11 : Réduction de dimension avec PCA
45
Comprendre l'intuition de l'analyse en composantes principales (PCA), visualiser un dataset de haute dimension en 2D et savoir quand utiliser la réduction de dimension.
Module 12 : Feature engineering : créer des features utiles
45
Apprendre à créer de nouvelles features à partir des données existantes. Sept techniques concrètes qui font la différence entre un modèle médiocre et un modèle performant.
Module 13 : Sélection de features
30
Identifier les features importantes, supprimer les inutiles et les redondantes pour accélérer l'entraînement et rendre le modèle plus robuste.
Module 14 : Normalisation et standardisation
45
Mettre toutes les features sur la même échelle avec StandardScaler ou MinMaxScaler. Savoir quand et pourquoi c'est indispensable.
Module 15 : Pipeline scikit-learn : enchaîner les étapes
45
Utiliser la classe Pipeline de scikit-learn pour enchaîner proprement toutes les étapes d'un projet ML : prétraitement, transformation et modèle en un seul objet.
Module 16 : Sauvegarder et charger un modèle
30
Utiliser joblib pour sauvegarder un modèle entraîné sur disque et le recharger sans réentraîner. Comprendre les enjeux de la persistance et du versioning.
Commentaires
0 commentaire
Aucun commentaire pour le moment
Soyez le premier à partager votre avis !
Se connecter pour commenter