Préparer
Nettoyage, encodage et feature engineering sans fuite.
Parcours professionnel disponible
Construisez des modèles utiles, fiables et explicables.
Maîtrisez le workflow complet du Machine Learning avec Python : préparation sans fuite, modèles supervisés, validation, optimisation, interprétabilité et restitution métier.
60 heures
12 modules
Certificat inclus
Compétences professionnelles
Du problème métier au modèle défendable.
Le parcours privilégie la rigueur expérimentale, la reproductibilité et la capacité à expliquer les résultats à une équipe métier.
Modéliser
Régression, classification, arbres et ensembles.
Évaluer
Validation croisée, métriques, seuils et calibration.
Expliquer
Interprétabilité, robustesse, limites et model card.
Programme complet
12 modules pour maîtriser le workflow ML.
Workflow professionnel du Machine Learning
Leçons guidées, exercice pratique, ressources et validation.
Préparation des données pour le ML
Leçons guidées, exercice pratique, ressources et validation.
Feature engineering
Leçons guidées, exercice pratique, ressources et validation.
Régression supervisée
Leçons guidées, exercice pratique, ressources et validation.
Classification supervisée
Leçons guidées, exercice pratique, ressources et validation.
Arbres et méthodes d’ensemble
Leçons guidées, exercice pratique, ressources et validation.
Classes déséquilibrées et coûts métier
Leçons guidées, exercice pratique, ressources et validation.
Pipelines et validation sans fuite
Leçons guidées, exercice pratique, ressources et validation.
Optimisation des hyperparamètres
Leçons guidées, exercice pratique, ressources et validation.
Interprétabilité des modèles
Leçons guidées, exercice pratique, ressources et validation.
Analyse des erreurs et robustesse
Leçons guidées, exercice pratique, ressources et validation.
Sélection finale et restitution métier
Leçons guidées, exercice pratique, ressources et validation.
Projet portfolio
Livrez une étude de churn complète et crédible.
Vous partez d’un dataset synthétique, construisez une démarche reproductible, comparez plusieurs modèles et transformez les résultats en recommandations responsables.
Notebook exécutable de bout en bout
Comparaison de plusieurs modèles
Choix de seuil coût-sensible
Analyse des erreurs et calibration
Interprétabilité globale et locale
Model card et synthèse exécutive
Formation disponible