Contenu du Cours
1
Apprentissage supervisé : régression
36 heures
Introduction au chapitre
Du problème métier au problème ML
Régression linéaire simple
Régression linéaire multiple
Régression polynomiale
Régularisation : Ridge, Lasso, ElasticNet
Métriques de régression : MSE, MAE, R²
TP — Prédiction de prix immobilier
TP — Prédire une consommation électrique résidentielle
Synthèse régression
2
Apprentissage supervisé : classification
44 heures
Introduction au chapitre
Le problème de classification
Régression logistique
k-NN : les plus proches voisins
SVM et kernel trick
Arbres de décision
Forêts aléatoires (Random Forest)
Gradient Boosting : XGBoost et LightGBM
Métriques de classification : precision, recall, F1, ROC-AUC
Classes déséquilibrées : SMOTE et rééchantillonnage
TP : détection de fraude bancaire
Synthèse classification
3
Apprentissage non supervisé
36 heures
Introduction au chapitre
L'apprentissage non supervisé : pourquoi et quand ?
K-means : clustering par centroïdes
DBSCAN : clustering par densité
Clustering hiérarchique
PCA appliquée en ML
t-SNE et UMAP : visualisation haute dimension
Détection d'anomalies : Isolation Forest
TP : segmentation clients e-commerce
TP : clustering de documents avec TF-IDF
Synthèse non-supervisé
4
Bonnes pratiques et pipelines
28 heures
Introduction au chapitre
Biais-variance : le dilemme fondamental
Train/validation/test et data leakage
Cross-validation : k-fold et stratifiée
Pipelines scikit-learn et ColumnTransformer
Feature engineering : création de variables
Tuning d'hyperparamètres : GridSearch et Optuna
Interprétabilité : feature importance et SHAP
Synthèse bonnes pratiques
5
Projet capstone intégrateur
36 heures
Introduction au chapitre
Présentation du projet capstone : prédiction de churn
Exploration des données (EDA)
Préparation et nettoyage des données
Feature engineering appliqué
Entraînement et comparaison de 6 modèles
Tuning et validation
Interprétation et présentation des résultats
Publication sur Kaggle et GitHub
Rétrospective et leçons apprises
Commentaires
0 commentaire
Aucun commentaire pour le moment
Soyez le premier à partager votre avis !
Se connecter pour commenter