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 XGBoost pour des Modèles de Machine Learning Performants sont : Connaissance des fondamentaux du machine learning supervisé, maîtrise de Python et des outils de data science classiques (Pandas, NumPy, Scikit-learn).. Un entretien préalable permet de valider votre éligibilité.

La formation est-elle disponible en présentiel ?

Oui, la formation Maîtriser XGBoost pour des Modèles de Machine Learning Performants est disponible en distanciel. Le format peut être adapté à vos besoins (inter, intra, sur-mesure).

Maîtriser XGBoost pour des Modèles de Machine Le... | 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

Il reste 9 places pour la prochaine session

FormatParticipantsDateCoordonnées

Quel format préférez-vous ?

Modalités, méthodes et moyens pédagogiques

La formation Maîtriser XGBoost pour des Modèles de Machine Learning Performants 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 XGBoost pour des Modèles de Machine Learning Performants, 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 XGBoost pour des Modèles de Machine Learning Performants 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 l’algorithme XGBoost et ses fondations mathématiques.

Savoir configurer et optimiser efficacement un modèle XGBoost.

Appliquer XGBoost à des cas pratiques de classification et de régression.

Maîtriser la gestion du surapprentissage et des biais.

Interpréter les résultats de modèles XGBoost et les expliquer à un public non technique.

Automatiser le tuning d’hyperparamètres avec des outils modernes.

Intégrer XGBoost dans un pipeline de machine learning en production.

Programme de la formation

Module 1Fondations de XGBoost et premières implémentations

Présentation de XGBoost et de sa place dans les algorithmes de boosting. Rappels sur les arbres de décision, le bagging, et le boosting. Introduction au gradient boosting et composition des modèles. Prise en main de XGBoost en Python. Chargement, préparation et analyse exploratoire des jeux de données. Premier modèle de classification binaire avec XGBoost. Analyse des résultats et premiers indicateurs de performance.

Module 2Optimisation et tuning avancé de XGBoost

Compréhension approfondie des paramètres de XGBoost (booster, learning rate, max_depth, subsample, colsample_bytree, gamma, lambda, alpha, etc.). Introduction au tuning manuel et automatique des hyperparamètres (Grid Search, Random Search, Hyperopt, Optuna). Gestion du surapprentissage (overfitting) avec le cross-validation. Utilisation de l’early stopping. Importance de la sélection des variables et gestion des données manquantes dans XGBoost.

Module 3Mise en production, interprétabilité et études de cas

Déploiement d’un modèle XGBoost dans un pipeline Scikit-learn. Sauvegarde et chargement de modèles entraînés (pickle, joblib). Interprétabilité des modèles XGBoost avec SHAP et Feature Importance. Communication et restitution des résultats à un public métier. Études de cas concrets : analyse d’un jeu de données de régression réelle et d’un jeu de classification multi-classes. Bonnes pratiques pour l’industrialisation et le monitoring en production.