Programme de Formation
9
module(s)
Durée totale : 1080
Prédire un nombre — prix, demande, consommation — avec les modèles de régression. 9 leçons sur la régression linéaire, polynomiale, régularisée et leurs métriques.
Module 1 : Du problème métier au problème ML
60
Traduire une demande métier floue en problème de Machine Learning propre : cible, variables, granularité, régression ou classification.
Module 2 : Régression linéaire simple
120
Entraîner votre premier modèle de Machine Learning : une régression linéaire à une variable, avec scikit-learn, interprétation des coefficients et visualisation.
Module 3 : Régression linéaire multiple
120
Étendre la régression linéaire à plusieurs variables, interpréter l'importance relative des features et détecter la multicolinéarité.
Module 4 : Régression polynomiale
90
Modéliser des relations courbes avec des features polynomiales, éviter le sur-apprentissage et choisir le degré optimal par validation.
Module 5 : Régularisation : Ridge, Lasso, ElasticNet
120
Dompter le sur-apprentissage avec Ridge (L2), Lasso (L1) et ElasticNet, sélectionner des features et régler le paramètre de pénalisation.
Module 6 : Métriques de régression : MSE, MAE, R²
90
Évaluer rigoureusement un modèle de régression avec les métriques MSE, RMSE, MAE, MAPE et R², et choisir selon le contexte métier.
Module 7 : TP — Prédiction de prix immobilier
180
Travaux pratiques : EDA, feature engineering, pipeline scikit-learn, comparaison de modèles et évaluation rigoureuse sur un dataset immobilier.
Module 8 : TP — Prédire une consommation électrique résidentielle
180
Travaux pratiques avec série temporelle : encodage cyclique d'heure et jour, split temporel, features météo et comparaison de modèles.
Module 9 : Synthèse régression
120
Cartographier la famille régression, choisir le bon modèle selon les données, consolider les réflexes méthodologiques et préparer la classification.
Commentaires
0 commentaire
Aucun commentaire pour le moment
Soyez le premier à partager votre avis !
Se connecter pour commenter