Informations pratiques

• Durée : 40h
• Niveau : Avancé
• Modalité : Visio

Objectifs pédagogiques

• Comprendre les concepts du Machine Learning
• Créer des modèles de classification et régression
• Évaluer et optimiser les modèles
• Utiliser scikit-learn pour le ML
• Interpréter et communiquer les résultats

Programme de la formation

1. Introduction ML (8h)
   • Concepts ML : apprentissage supervisé, non supervisé et par renforcement — principes et différences
   • Types d'algorithmes : classification, régression, clustering, réduction de dimensionnalité et recommandation
   • Workflow ML : collecte des données, préparation, entraînement, évaluation, déploiement et monitoring
   • Cas d'usage métier : churn prediction, segmentation client, détection de fraude et prévision de ventes
   • Biais et éthique : biais dans les données, équité algorithmique et explicabilité des modèles
   • Écosystème Python ML : scikit-learn, Pandas, NumPy, Jupyter et outils de visualisation
2. Algorithmes Supervisés (15h)
   • Régression linéaire et polynomiale : hypothèses, ajustement, coefficients et interprétation R²
   • Classification : régression logistique, seuils de décision, courbe ROC et AUC
   • Decision Trees : critères de split (Gini, entropie), profondeur, élagage et interprétabilité
   • Random Forest : bagging, feature importance, nombre d'estimateurs et réglage des hyperparamètres
   • Gradient Boosting : XGBoost, LightGBM, learning rate, early stopping et comparaison avec Random Forest
   • KNN et SVM : k-nearest neighbors, noyaux SVM et choix d'algorithme selon le problème
3. Préparation et Feature Engineering (10h)
   • Preprocessing : gestion des valeurs manquantes (imputation), détection et traitement des outliers
   • Feature engineering : création de variables, interactions, transformations log et binning
   • Scaling : StandardScaler, MinMaxScaler, RobustScaler et impact sur les algorithmes
   • Encoding : One-Hot Encoding, Label Encoding, Target Encoding et gestion des catégories rares
   • Sélection de features : corrélation, feature importance, RFE et élimination de la multicolinéarité
   • Pipeline scikit-learn : ColumnTransformer, Pipeline, make_pipeline et reproductibilité

Prérequis

Python et analyse de données requis

Public visé

Data analysts expérimentés, aspirants data scientists

Méthodes pédagogiques

Formation en distanciel (visio) et/ou en présentiel selon les sessions

Évaluation

QCM, exercices pratiques, mise en situation professionnelle, étude de cas, projet final

Accessibilité

Formation accessible aux personnes en situation de handicap. Possibilités d'adaptation pédagogique et technique. Pour toute question concernant l'accessibilité, contactez notre référent handicap : Kelly Ohana - contact@visio-form.fr