Objectifs pédagogiques
À l'issue de la formation, le participant sera capable de :
- Préparer un jeu de données avec pandas
- Entraîner des modèles de régression et de classification
- Évaluer un modèle avec les métriques adaptées et la validation croisée
- Interpréter et présenter les résultats d'un modèle
Public visé
Analystes, développeurs, ingénieurs souhaitant mettre en œuvre le machine learning.
Prérequis
Bonne pratique de Python (niveau DATA-01) et bases de statistiques.
Un questionnaire de positionnement est envoyé avant la formation pour vérifier les prérequis et adapter le contenu.
Programme
Jour 1 : préparer les données
- pandas et NumPy : chargement, nettoyage, jointures
- Visualisation exploratoire
- Variables catégorielles, valeurs manquantes, normalisation
Jour 2 : modéliser
- Régression linéaire et logistique
- Arbres, forêts aléatoires, gradient boosting
- Pipelines scikit-learn
- Validation croisée et surapprentissage
Jour 3 : évaluer et déployer
- Métriques : précision, rappel, F1, AUC, RMSE
- Optimisation des hyperparamètres
- Interprétabilité (importance des variables, SHAP)
- Projet final sur un cas métier
Méthodes et moyens pédagogiques
- Apports théoriques courts et démonstrations en direct
- Ateliers pratiques sur des cas proches de votre activité (environ 60 % du temps)
- Support de cours numérique remis à chaque participant
- Formateur : Julien Niel, formateur et fondateur d'Intellis Formation
- En classe virtuelle : outil de visioconférence, exercices partagés, assistance technique
Modalités d'évaluation
- Avant : questionnaire de positionnement
- Pendant : exercices pratiques et quiz de validation
- Fin de formation : évaluation des acquis au regard des objectifs, questionnaire de satisfaction
- À 3 mois : questionnaire d'évaluation à froid
- Remise d'une attestation de fin de formation
Accessibilité
Formation accessible aux personnes en situation de handicap. Contactez notre référent handicap, Julien Niel (contact@intellisformation.fr), pour étudier ensemble les adaptations nécessaires. En savoir plus