Programme de Formation
6
module(s)
Durée totale : 240
Apprenez à mesurer la vraie performance d'un modèle, à lire une matrice de confusion, à choisir les bonnes métriques, à détecter l'overfitting et à optimiser vos hyperparamètres avec la validation croisée.
Module 1 : Train, validation, test : pourquoi 3 jeux
30
Comprendre pourquoi on découpe les données en trois ensembles distincts — entraînement, validation et test — et comment éviter les fuites qui faussent l'évaluation d'un modèle.
Module 2 : Matrice de confusion : lire les 4 cases
45
Decoder la matrice de confusion et ses quatre cases — vrais positifs, vrais negatifs, faux positifs, faux negatifs — pour comprendre en un coup d'oeil les forces et faiblesses d'un classifieur binaire.
Module 3 : Accuracy, precision, rappel, F1-score
45
Maitrisez les quatre metriques reines de la classification et apprenez a choisir la bonne selon votre probleme, en particulier sur des donnees desequilibrees.
Module 4 : Metriques de regression : MAE, MSE, RMSE, R2
45
Comparez et choisissez les bonnes metriques pour evaluer un modele de regression : erreur moyenne, erreur quadratique, racine de l'erreur quadratique et coefficient de determination.
Module 5 : Overfitting et underfitting : les reconnaitre
45
Diagnostiquer un modele qui sur-apprend ou sous-apprend, comprendre le compromis biais-variance et appliquer les remedes concrets (regularisation, donnees, complexite).
Module 6 : Validation croisee et grid search
30
Automatiser l'evaluation et l'optimisation d'un modele grace a la validation croisee k-fold et au grid search sur les hyperparametres, avec scikit-learn.
Commentaires
0 commentaire
Aucun commentaire pour le moment
Soyez le premier à partager votre avis !
Se connecter pour commenter