Objectifs pédagogiques
À l'issue de la formation, le stagiaire sera capable de :
- Formuler un problème métier en problème d'apprentissage supervisé ou non supervisé
- Préparer les données : encodage, normalisation, valeurs manquantes, pipelines
- Entraîner et comparer des algorithmes de régression et de classification
- Évaluer un modèle avec les bonnes métriques et éviter le surapprentissage
- Interpréter un modèle et préparer sa mise en production
Public visé
- Data analysts, ingénieurs et développeurs qui veulent passer au prédictif
- Data scientists débutants
Prérequis
- Pratique de Python et de pandas
- Bases de statistique
Programme
Jour 1 — Les fondamentaux
Le machine learning, à quoi ça sert ?
- Supervisé, non supervisé : cas d’usage et démarche
- Le cycle d’un projet de bout en bout
Préparer les données
- Exploration, valeurs manquantes, variables catégorielles
- Pipelines scikit-learn et séparation apprentissage-test
Premiers modèles
- Régression linéaire et logistique
- Plus proches voisins, arbres de décision
Jour 2 — Des modèles performants
Méthodes d’ensemble
- Forêts aléatoires, gradient boosting (XGBoost, LightGBM)
Évaluer et régler
- Validation croisée, recherche d’hyperparamètres
- Métriques : RMSE, précision, rappel, F1, AUC ; classes déséquilibrées
Apprentissage non supervisé
- Clustering (k-moyennes, DBSCAN), réduction de dimension (ACP)
- Détection d’anomalies
Jour 3 — Interpréter et industrialiser
Interpréter
- Importance des variables, valeurs SHAP
- Biais et équité des modèles
Vers la production
- Sauvegarder un modèle, l’exposer par une API
- Suivi des performances et réentraînement : introduction au MLOps
- Projet final
Méthodes pédagogiques
- Possibilité de travailler sur les données des participants (en intra, après accord)
- Supports de cours, codes source et corrigés remis aux participants
- Formation dispensée par un consultant data et IA qui conçoit et met en production ce qu'il enseigne
Modalités d'évaluation
- Questionnaire de positionnement en début de formation
- Exercices pratiques corrigés tout au long de la formation
- Projet final : modèle prédictif complet sur un jeu de données inédit
- Questionnaire de satisfaction à chaud
Accessibilité
Formation accessible aux personnes en situation de handicap. Contactez-nous en amont (contact@dcid-consulting.fr) afin d'étudier ensemble les adaptations nécessaires.