GratuitDébutant2 h 36
Le machine learning expliqué
Comprenez comment une machine apprend à partir d'exemples : apprentissage supervisé et non supervisé, données d'entraînement et de test, surapprentissage, métriques d'évaluation, puis un projet complet avec scikit-learn, de la préparation des données à la sauvegarde du modèle.
Ce que vous saurez faire
- Distinguer apprentissage supervisé, non supervisé et par renforcement et choisir la famille adaptée à un problème
- Séparer correctement données d'entraînement et de test et expliquer pourquoi
- Reconnaître un surapprentissage à l'écart entre score d'entraînement et score de test
- Calculer et interpréter exactitude, précision, rappel, F1, MAE et RMSE
- Construire un pipeline scikit-learn complet avec prétraitement, entraînement et évaluation
- Sauvegarder un modèle et mettre en place une surveillance minimale en production
Prérequis conseillés
Plan du cours
Partie 1 · Les idées de base du machine learning52 min
- Apprendre à partir d'exemples10 min
- Données, variables et cible10 min
- Entraînement et test : l'évaluation honnête10 min
- Un premier modèle, pas à pas12 min
- Quiz : les idées de base10 min
Partie 2 · Évaluer un modèle sans se tromper50 min
- Surapprentissage et sous-apprentissage10 min
- Mesurer une classification : exactitude, précision, rappel10 min
- Mesurer une régression et se comparer à une référence10 min
- Les pièges de l'évaluation : déséquilibre et fuites de données10 min
- Quiz : évaluer un modèle10 min
Partie 3 · Scikit-learn en pratique54 min
- Préparer les données avec un pipeline scikit-learn10 min
- Exemple complet : prédire les résiliations14 min
- Apprentissage non supervisé : regrouper avec K-means10 min
- Sauvegarder, utiliser et surveiller un modèle10 min
- Quiz : scikit-learn en pratique10 min