AutoML avec H2O.ai
Version du programme : 1
Type de formation
MixteDurée de formation
14 heures (2 jours)Accessibilité
OuiAutoML avec H2O.ai
Ce module permet aux participants de comprendre et de mettre en œuvre une démarche d’AutoML avec H2O.ai afin d’automatiser une partie du cycle de création, d’évaluation, de comparaison et de déploiement de modèles de Machine Learning. Il s’adresse à des data scientists et analystes avancés disposant déjà de connaissances de base en Machine Learning et en Python ou R. La formation vise à leur permettre de gagner en efficacité dans la construction de modèles, tout en conservant une capacité d’analyse critique sur les résultats produits automatiquement.
Objectifs de la formation
- Créer des modèles ML automatisés.
- Comparer les performances des modèles.
- Déployer des modèles H2O.ai.
Profil des bénéficiaires
- Data scientists, analystes avancés
- Connaissances en ML de base et Python/R
Contenu de la formation
Séquence 1 — Comprendre les principes de l’AutoML
- Comprendre les principes et les apports de l’AutoML.
- Identifier les cas d’usage adaptés à une démarche AutoML.
- Situer H2O.ai dans l’écosystème des outils de Machine Learning automatisé.
Séquence 2 — Préparer les données pour une expérimentation AutoML
- Préparer un jeu de données exploitable avec H2O.ai.
- Identifier la variable cible et les variables explicatives.
- Repérer les points de vigilance avant de lancer une expérimentation AutoML.
Séquence 3 — Créer des modèles automatisés avec H2O AutoML
- Lancer une expérimentation AutoML avec H2O.ai.
- Configurer les principaux paramètres d’une expérimentation.
- Comprendre les modèles générés automatiquement.
Séquence 4 — Comparer les performances des modèles
- Lire et interpréter les performances des modèles générés.
- Comparer plusieurs modèles à partir de métriques adaptées.
- Sélectionner un modèle pertinent selon le contexte d’usage.
Séquence 5 — Interpréter les modèles et analyser les résultats
- Comprendre les principaux éléments d’interprétation disponibles.
- Identifier les variables les plus influentes.
- Produire une lecture critique des résultats d’un modèle AutoML.
Séquence 6 — Sauvegarder, exporter et réutiliser un modèle H2O.ai
- Sauvegarder un modèle H2O.ai.
- Recharger un modèle entraîné.
- Réutiliser un modèle pour produire des prédictions.
Séquence 7 — Cas pratique de synthèse
- Mobiliser les acquis de la formation.
- Réaliser une expérimentation AutoML de bout en bout.
- Présenter et justifier les choix réalisés.
Équipe pédagogique
Suivi de l'exécution et évaluation des résultats
- Questions de validation sur le fonctionnement de H2O AutoML.
- Vérification de la bonne configuration d’une expérimentation AutoML.
- Lecture commentée d’un premier leaderboard.
- Le cas pratique de synthèse permet de vérifier la capacité du participant à créer des modèles ML automatisés, comparer leurs performances et réutiliser un modèle H2O.ai dans une logique de déploiement.
- 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 ou R configuré pour les travaux pratiques
- instance H2O.ai accessible pendant la formation
- notebooks ou scripts d’exercices
- jeux de données d’entraînement
- exemples d’expérimentations H2O AutoML
- exemples de leaderboards
- modèles H2O.ai sauvegardés et réutilisables
- 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 principes de l’AutoML
- une fiche de synthèse sur les métriques d’évaluation
- des exemples d’expérimentations H2O AutoML
- des exemples de sauvegarde et réutilisation de modèles
- 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 prévu.