Programme de Formation
8
module(s)
Durée totale : 840
Industrialiser votre démarche ML — pipelines, cross-validation, feature engineering, tuning d'hyperparamètres, interprétabilité. 8 leçons pour passer du prototype au professionnel.
Module 1 : Biais-variance : le dilemme fondamental
90
Comprendre le dilemme biais-variance, diagnostiquer sur-apprentissage et sous-apprentissage, et choisir la complexité optimale d'un modèle ML.
Module 2 : Train/validation/test et data leakage
90
Séparer proprement vos jeux de données, éviter les fuites d'information et sécuriser l'honnêteté de vos métriques d'évaluation.
Module 3 : Cross-validation : k-fold et stratifiée
90
Maîtriser la k-fold, la stratification, la nested CV et les splits groupés pour obtenir des estimations fiables de la performance d'un modèle.
Module 4 : Pipelines scikit-learn et ColumnTransformer
120
Construire des pipelines robustes avec Pipeline et ColumnTransformer, traiter colonnes numériques et catégorielles, supprimer durablement le risque de data leakage.
Module 5 : Feature engineering : création de variables
90
Créer des features pertinentes — dates, cycliques, catégorielles, interactions — pour améliorer significativement la performance d'un modèle.
Module 6 : Tuning d'hyperparamètres : GridSearch et Optuna
120
Optimiser les hyperparamètres avec GridSearchCV, RandomizedSearchCV et Optuna. Comprendre quand utiliser quoi et éviter les pièges du tuning.
Module 7 : Interprétabilité : feature importance et SHAP
120
Expliquer les prédictions d'un modèle avec feature importance, permutation importance et SHAP. Ouvrir la boîte noire et défendre vos décisions.
Module 8 : Synthèse bonnes pratiques
120
Consolider les 10 règles d'or d'un projet ML industriel, auditer un pipeline, dresser la checklist avant mise en production et préparer le projet capstone.
Commentaires
0 commentaire
Aucun commentaire pour le moment
Soyez le premier à partager votre avis !
Se connecter pour commenter