Machine learning appliqué

Objectifs

• Préparer un jeu de données pour l’apprentissage (nettoyage, encodage, création de variables) et documenter chaque choix.
• Entraîner et comparer au moins trois modèles supervisés de régression ou de classification avec validation croisée et métriques adaptées au problème.
• Appliquer une méthode non supervisée (segmentation) et interpréter les groupes obtenus pour un usage métier.
• Diagnostiquer et corriger un surapprentissage, une fuite de données ou un déséquilibre de classes.
• Expliquer les prédictions d’un modèle (importance des variables, valeurs SHAP) et rédiger une fiche modèle d’une page pour un non-spécialiste.

Public

Ingénieurs, analystes de données confirmés, actuaires, contrôleurs de gestion à profil technique, développeurs souhaitant passer à la data science.

Prérequis

Programmer en Python avec pandas (lecture, filtrage, agrégation) et maîtriser les statistiques descriptives (moyenne, écart-type, corrélation) ; DATA-101 couvre ces prérequis. Vérifié par un test de positionnement. Un ordinateur portable par participant, 8 Go de mémoire minimum ; environnement de calcul en ligne (notebooks, bibliothèques scikit-learn, XGBoost et pandas préinstallées) fourni par Yolea pour la durée de la session, sans installation locale ; en distanciel, connexion stable de 5 Mbit/s minimum, micro et caméra. Jeux de données de formation fournis ; jeu de données du participant accepté s’il est anonymisé.

Programme

• Préparation de données
• Modélisation supervisée et non supervisée
• Évaluation rigoureuse
• Diagnostic des erreurs classiques
• Explicabilité et documentation d’un modèle

Format

Intra ou inter-entreprises. 21 heures, 3 jours consécutifs de 7 h, ou 2 + 1 jours à une semaine d’intervalle, le projet avançant entre les deux. Présentiel, distanciel synchrone ou hybride ; 8 à 12 participants. 30 % d’apports, 70 % d’ateliers en notebooks ; un projet fil rouge par participant, du jeu de données brut à la fiche modèle ; principe de la référence simple d’abord, du modèle complexe ensuite.

Évaluation

En amont, test de positionnement. En cours, quiz de contrôle et challenge de mise en situation (modéliser un jeu de données imposé ; résultat évalué sur la métrique et sur la qualité de la démarche). En fin, présentation de la fiche modèle du projet fil rouge, évaluation à chaud et attestation nominative de fin de formation. À trois semaines, point de suivi.