La formation est-elle certifiée Qualiopi ?

Oui, Learni est un organisme certifié Qualiopi. Cette certification garantit la qualité de nos formations et permet leur prise en charge par les OPCO et autres dispositifs de financement.

Comment financer ma formation ?

Nos formations sont éligibles aux financements OPCO. Learni vous accompagne dans les démarches de prise en charge. Un devis personnalisé est disponible sur demande.

Quels sont les prérequis pour cette formation ?

Les prérequis pour la formation Maîtriser l'Analyse et la Modélisation de Données avec Scikit-learn sont : Connaissance de base de Python, notions de mathématiques (statistiques, algèbre linéaire), expérience préalable en manipulation de données avec pandas recommandée. Un entretien préalable permet de valider votre éligibilité.

La formation est-elle disponible en présentiel ?

Oui, la formation Maîtriser l'Analyse et la Modélisation de Données avec Scikit-learn est disponible en distanciel. Le format peut être adapté à vos besoins (inter, intra, sur-mesure).

Maîtriser l'Analyse et la Modélisation de Donnée... | Learni

L'histoire de Learni

Fondée par des passionnés de l'apprentissage et de l'innovation, Learni s'est donnée pour mission de rendre la formation professionnelle accessible à tous, partout dans le monde. Notre équipe intervient dans les plus grandes métropoles telles que Paris, Lyon, Marseille, mais aussi à l'international, afin d'accompagner les talents et les organisations dans leur montée en compétences.

Configurez votre formation

Réponse sous 24hSans engagement100% gratuit

Plus que 2 places disponibles ce mois-ci

10 places par session maximum — 9 déjà prises

FormatParticipantsDateCoordonnées

Quel format préférez-vous ?

Modalités, méthodes et moyens pédagogiques

La formation Maîtriser l'Analyse et la Modélisation de Données avec Scikit-learn est délivrée en présentiel ou distanciel (blended-learning, e-learning, classe virtuelle, présentiel à distance). Chez Learni, organisme de formation certifié Qualiopi, chaque parcours est conçu pour maximiser l'acquisition de compétences, quel que soit le mode de formation choisi.

Le formateur alterne entre méthode démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation). Cette approche pédagogique garantit un apprentissage concret et directement applicable en entreprise.

Moyens pédagogiques mis en œuvre

Pour garantir la qualité de la formation Maîtriser l'Analyse et la Modélisation de Données avec Scikit-learn, Learni met à disposition les moyens pédagogiques suivants :

Ordinateurs Mac ou PC, connexion internet haut débit fibre, tableau blanc ou paperboard, vidéoprojecteur ou écran tactile interactif (pour les sessions en distanciel)
Environnements de formation installés sur les postes de travail ou accessibles en ligne
Supports de cours, exercices pratiques et ressources complémentaires
Accès post-formation aux supports et ressources pédagogiques

En cas de formation intra-entreprise sur site externe à Learni, le client s'assure et s'engage à disposer de toutes les ressources matérielles pédagogiques nécessaires (équipements informatiques, connexion internet...) au bon déroulement de l'action de formation conformément aux prérequis indiqués dans le programme de formation communiqué.

* nous consulter pour la faisabilité en distanciel** ratio variable selon la formation suivie

Modalités d'évaluation des acquis

L'évaluation des compétences acquises lors de la formation Maîtriser l'Analyse et la Modélisation de Données avec Scikit-learn s'effectue à travers :

En cours de formation : études de cas, travaux pratiques et mises en situation professionnelle
En fin de formation : questionnaire d'auto-évaluation et évaluation des acquis par le formateur
Après la formation : attestation de fin de formation détaillant les compétences acquises

Accessibilité de la formation

Learni s'engage pour l'accessibilité de ses formations professionnelles. Toutes nos formations sont accessibles aux personnes en situation de handicap. Nos équipes sont à votre disposition pour adapter les modalités pédagogiques à vos besoins spécifiques. N'hésitez pas à nous contacter pour toute demande d'aménagement.

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 de la formation

Module 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.

Module 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.

Module 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