Scikit-learn, la boîte à outils de l’apprentissage automatique

• Maîtriser le fonctionnement intuitif des modèles suivants et leur mise en oeuvre avec scikit-learn: modèles linéaires, modèles d’arbre, modèles d’ensemble, notamment les forêts aléatoires et les modèles à base de boosting ;
• Comprendre en détail les différents aspects de l’évaluation de modèle, notamment les choix de stratégies de validation croisée et de métrique d’évaluation.

À l’issu de cette formation, les apprenants seront en mesure de maîtriser la mise en œuvre des modèles linéaires, d’arbres de décision et d’ensemble (forêts aléatoires, boosting) avec scikit-learn, et d’évaluer leurs performances en choisissant les stratégies de validation croisée et les métriques adaptées à chaque contexte.

Public cible : ingénieurs développeurs informatique et ingénieurs R&D.

Cette formation experte sur Scikit-learn permet une compréhension approfondie et pratique des techniques avancées de modélisation, de diagnostic et de déploiement de modèles.

Nous aborderons les machines à support de vecteur et comparerons avec d’autres méthodes en fonction de différents jeux de données.

La formation présente les algorithmes les plus courants de l’apprentissage non supervisé (réduction de dimension, clustering) ainsi que les méthodes pour analyser les séries temporelles.

Nous aborderons les méthodes de sélection des caractéristiques, les fonctions de perte et quelques « surrogate loss », ainsi que la calibration de modèle. Un focus sera mis sur le traitement et la combinaison de données complexes, notamment à partir de formats parquet mais aussi avec la librairie Polars.. Les participants apprendront à concevoir leurs propres estimateurs, à régler les hyperparamètres et à évaluer les modèles à l’aide d’indicateurs avancés et de visualisations. Des outils comme joblib, pickle ou skops seront utilisés pour le déploiement des modèles en production. La formation intégrera également les bonnes pratiques, la gestion des métadonnées et l’interprétabilité des résultats (partial dependence plots, permutation importance …).

Ce cours est un cours appliqué et non théorique, les concepts des principaux algorithmes seront expliqués mais pas de démonstration mathématique même si la complexité sera abordée. Ce cours n’aborde pas non plus le MLOps qui est un métier à part entière ni l’optimisation des CPU ou GPU (ce dernier n’est pas nativement supporté par Scikit-learn mais par les briques tech implémentant des réseaux de neurones comme Tensorflow ou Pytorch).

• Apprentissage automatique de niveau expert : Connaissance approfondie des algorithmes d’apprentissage automatique, y compris des tendances émergentes et des meilleures pratiques.
• Développement d’algorithmes : Capacité à développer et à mettre en œuvre des algorithmes d’apprentissage automatique personnalisés, adaptés à des problèmes spécifiques.
• Diagnostic des modèles : Identifier, dépanner et résoudre les problèmes potentiels dans le pipeline d’apprentissage automatique des autres membres de l’équipe.

À l’issu de cette formation, les apprenants seront en mesure de maîtriser les techniques avancées de Scikit-learn pour concevoir, évaluer, diagnostiquer et déployer des modèles d’apprentissage automatique, d’interpréter leurs résultats à l’aide d’outils de visualisation et de métriques adaptées, et d’appliquer les bonnes pratiques pour le traitement de données complexes et la gestion des hyperparamètres.

Public cible : ingénieurs développeurs informatique et ingénieurs R&D.