Programme de Formation
9
module(s)
Durée totale : 1080
Un projet complet de prédiction de churn — de la donnée brute à la publication sur GitHub et Kaggle. 9 leçons pour mettre en œuvre tout ce que vous avez appris.
Module 1 : Présentation du projet capstone : prédiction de churn
60
Découvrir le projet capstone de prédiction de churn télécom — contexte métier, cible, plan d'attaque et critères de réussite pour un livrable professionnel.
Module 2 : Exploration des données (EDA)
120
Mener une EDA structurée sur le dataset churn télécom — univariée, bivariée, détection des anomalies, documentation des observations.
Module 3 : Préparation et nettoyage des données
120
Transformer les données brutes en matrice exploitable — gestion des manquants, encodage, standardisation, équilibrage des classes.
Module 4 : Feature engineering appliqué
120
Créer des variables dérivées riches en signal métier — interactions, agrégations, bucketisation, sélection des meilleures features.
Module 5 : Entraînement et comparaison de 6 modèles
180
Lancer la compétition entre six algorithmes représentatifs — protocole rigoureux, cross-validation, comparaison des métriques, sélection du finaliste.
Module 6 : Tuning et validation
120
Optimiser les hyperparamètres du finaliste avec Optuna et valider rigoureusement — espace de recherche, anti-overfitting, seuil de décision.
Module 7 : Interprétation et présentation des résultats
120
Expliquer un modèle avec SHAP, construire des visuels parlants et formuler des recommandations métier pour un public non-technique.
Module 8 : Publication sur Kaggle et GitHub
120
Transformer le projet en vitrine professionnelle — repo GitHub propre, README pédagogique, notebook Kaggle engageant, reproductibilité.
Module 9 : Rétrospective et leçons apprises
120
Prendre du recul sur le projet capstone — analyser les erreurs, capitaliser les bonnes pratiques, préparer la transition vers le Deep Learning.
Commentaires
0 commentaire
Aucun commentaire pour le moment
Soyez le premier à partager votre avis !
Se connecter pour commenter