Introduction au Machine Learning avec Scikit-learn
Version du programme : 1
Type de formation
MixteDurée de formation
14 heures (2 jours)Accessibilité
OuiIntroduction au Machine Learning avec Scikit-learn
Ce module permet aux participants de s’initier de manière opérationnelle au Machine Learning avec la bibliothèque Python Scikit-learn. Il s’adresse à des professionnels disposant de bases en Python et en statistiques, souhaitant comprendre les principes fondamentaux du Machine Learning et apprendre à construire leurs premiers modèles prédictifs. La formation couvre l’ensemble du processus de modélisation : préparation des données, choix d’un algorithme, entraînement d’un modèle, évaluation des performances, comparaison de plusieurs approches et interprétation des résultats.L’approche pédagogique privilégie la pratique. Les participants manipulent des jeux de données, construisent des modèles supervisés et non supervisés, évaluent leurs performances et apprennent à identifier les limites d’un modèle.
Objectifs de la formation
- Construire des modèles supervisés et non supervisés.
- Évaluer et comparer les modèles.
- Préparer les données pour le ML.
Profil des bénéficiaires
- Débutants en ML, data scientists juniors
- Connaissances en Python et statistiques de base
Contenu de la formation
Comprendre les principes du Machine Learning
- Comprendre les principes fondamentaux du Machine Learning.
- Identifier les principales familles d’apprentissage.
- Situer Scikit-learn dans l’écosystème Python data.
Préparer les données pour le Machine Learning
- Comprendre le rôle central de la préparation des données.
- Nettoyer et transformer un jeu de données.
- Préparer les variables pour l’entraînement d’un modèle.
Construire un premier modèle supervisé
- Construire un premier modèle de classification ou de régression.
- Comprendre les étapes d’entraînement et de prédiction.
- Interpréter les premiers résultats obtenus.
Évaluer et comparer les modèles supervisés
- Choisir les métriques adaptées au type de problème.
- Évaluer la performance d’un modèle.
- Comparer plusieurs modèles de manière structurée.
Construire un modèle non supervisé
- Comprendre les principes de l’apprentissage non supervisé.
- Construire un modèle de clustering.
- Interpréter les résultats d’une segmentation.
Structurer un workflow Machine Learning avec Scikit-learn
- Structurer les différentes étapes d’un projet ML.
- Utiliser les pipelines Scikit-learn.
- Réduire les risques d’erreur et améliorer la reproductibilité.
Cas pratique de synthèse
- Mobiliser les acquis de la formation.
- Construire un modèle ML simple de bout en bout.
- Présenter les choix réalisés et les résultats obtenus.
Équipe pédagogique
Suivi de l'exécution et évaluation des résultats
- Questions de validation sur les étapes d’un projet ML.
- Vérification du modèle construit par les participants.
- Le cas pratique de synthèse permet de vérifier la capacité du participant à préparer des données, construire un modèle supervisé ou non supervisé, évaluer les performances obtenues et interpréter les résultats.
- Questions de positionnement
- Exercices pratiques guidés
- Questions flash ou quiz court
- Cas pratique de synthèse
- Auto-évaluation et retour formateur
Ressources techniques et pédagogiques
- support pédagogique numérique
- environnement Python configuré pour les travaux pratiques
- notebooks ou scripts d’exercices
- jeux de données d’entraînement
- exemples de modèles Scikit-learn
- exemples de pipelines de préparation et de modélisation
- fiches de synthèse sur les principales métriques d’évaluation
- corrigés ou éléments de correction
- ressources complémentaires pour approfondissement
- le support pédagogique du module
- les jeux de données utilisés pendant la formation
- les notebooks ou scripts de démonstration
- les exercices pratiques
- les éléments de correction
- une fiche mémo sur les principales familles de modèles
- une fiche de synthèse sur les métriques d’évaluation
- des exemples de pipelines Scikit-learn
- une bibliographie ou sitographie indicative pour approfondissement
Accessibilité
Les modalités d’accueil, d’accompagnement et d’évaluation peuvent être adaptées aux besoins des participants en situation de handicap. Les adaptations peuvent notamment porter sur : • les supports pédagogiques ; • le rythme de progression ; • les modalités d’interaction ; • l’organisation des exercices ; • les conditions de réalisation des évaluations ; • les outils numériques utilisés. Toute adaptation est étudiée en amont afin de garantir l’accessibilité de la formation, la participation effective du stagiaire et l’atteinte des objectifs pédagogiques, dans le respect du cadre.