Vous souhaitez suivre cette formation ?

Contactez-nous ! Un expert vous recontactera dans les plus brefs délais.

Les 4 derniers articles du blog

Comment recruter efficacement dans une ESN en 2025 ? Stratégies innovantes et conseils pratiques

Face à la pénurie de talents IT et à la concurrence accrue, découvrez les stratégies pour optimiser le recrutement en ESN (Entreprise de Services du Numérique) en 2025.

Allan Busi

30 juin 202411 min

Comment devenir un tuteur efficace en entreprise en 2025 : guide pratique et astuces clés

Découvrez les meilleures pratiques, outils et conseils pour réussir votre mission de tuteur en entreprise en 2025. Un guide complet pensé pour les professionnels.

Allan Busi

30 juin 202413 min

Comment utiliser Anthropic pour révolutionner la formation professionnelle en 2025 ?

Découvrez comment Anthropic transforme la formation professionnelle en 2025 grâce à l'IA générative : recommandations personnalisées, assistants pédagogiques, automatisation de la création de contenu et impact sur les compétences du futur.

Allan Busi

30 juin 202413 min

Comment l'intelligence artificielle transforme la formation professionnelle en 2025 ?

Découvrez comment l'intelligence artificielle révolutionne la formation professionnelle en 2025, avec ses apports, ses défis et des exemples concrets pour les entreprises et les apprenants.

Allan Busi

30 juin 202414 min

Voir tous les articles

Objectifs de la formation

Comprendre les fondements de l'apprentissage automatique supervisé et non supervisé avec Scikit-learn

Maîtriser le prétraitement des données et l'ingénierie des features

Savoir mettre en œuvre, optimiser et évaluer des modèles de machine learning

Automatiser les workflows de Machine Learning (pipeline, grid search, validation croisée)

Approfondir l'interprétabilité des modèles et la gestion de la performance

Programme

Jour 1Introduction à Scikit-learn et Prétraitement des Données

Présentation de la bibliothèque scikit-learn, structure et philosophie, importation et exploration de données, gestion des valeurs manquantes, normalisation et standardisation, encodage des variables catégorielles, techniques avancées de feature engineering, exercices sur la préparation de données réelles.

Jour 2Apprentissage Supervisé

Construction de modèles de classification (régression logistique, SVM, arbres de décision, forêts aléatoires, k-NN), modèles de régression linéaire et non linéaire, choix des métriques d’évaluation (accuracy, ROC AUC, RMSE, etc.), validation croisée, introduction à la détection du surapprentissage et de l’ajustement des hyperparamètres, application complète sur jeux de données réels.

Jour 3Apprentissage Non Supervisé, Optimisation et Interprétabilité

Clustering (k-means, DBSCAN, agglomératif), réduction de dimension (PCA, t-SNE), visualisation avancée, pipelines pour automatiser les processus, Grid Search et Randomized Search pour l’optimisation des modèles, gestion du déséquilibre des classes, introduction aux modèles interprétables, utilisation de SHAP et LIME pour expliquer les prédictions, bonnes pratiques et erreurs fréquentes.

Méthode d'évaluation

QCM intermédiaires et finaux pour valider la connaissance théorique
Projets pratiques guidés sur datasets standards (Iris, Titanic, MNIST, etc.)
Mini-challenge de modélisation présenté le dernier jour

Méthode d'apprentissage

Alternance d’apports théoriques, de démonstrations code en direct et de travaux pratiques
Études de cas réels pour chaque grande famille d’algorithmes
Mise à disposition de notebooks complets
Support de cours téléchargeable

Chargement en cours...

Vous souhaitez suivre cette formation ?

Les 4 derniers articles du blog

Comment recruter efficacement dans une ESN en 2025 ? Stratégies innovantes et conseils pratiques

Comment devenir un tuteur efficace en entreprise en 2025 : guide pratique et astuces clés

Comment utiliser Anthropic pour révolutionner la formation professionnelle en 2025 ?

Comment l'intelligence artificielle transforme la formation professionnelle en 2025 ?

Maîtriser l'Analyse et la Modélisation de Données avec Scikit-learn

Objectifs de la formation

Programme

Méthode d'évaluation

Méthode d'apprentissage

Ces formations pourraient vous plaire

Maîtriser Scikit-learn : L'essentiel du Machine Learning pour les professionnels

Maîtriser Scikit-learn : Formation Pratique au Machine Learning en Python

Maîtriser CatBoost : Optimisation des Modèles de Machine Learning

Maîtriser le Machine Learning avec Scikit-learn : Fondamentaux et Pratiques