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.

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.
Elle aborde les algorithmes les plus courants de l’apprentissage non supervisé (clustering, réduction de dimension, séries temporelles ..), avant d’explorer les critères de performance.
Nous aborderons les méthodes de sélection des caractéristiques, les fonctions de perte, ainsi que les notions de calibration et de post-calibration. Un focus sera mis sur le traitement et la combinaison de données complexes, notamment à partir de formats parquet. Les participants apprendront à concevoir leurs propres estimateurs, à ajuster les hyperparamètres et à évaluer les modèles à l’aide d’indicateurs avancés et de visualisations telles que CalibrationDisplay. Des outils comme joblib, pickle ou skops seront utilisés pour le déploiement des modèles en production. La formation intégrera également les bonnes pratiques MLOps, la gestion des métadonnées et l’explicabilité des résultats (partial dependence plots, permutation importance …).

• 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.
• Déploiement de modèles : Expertise dans le déploiement de modèles d’apprentissage automatique dans des environnements de production, y compris la connaissance des MLOps.
• Recherche et innovation : Capacité à mener des recherches indépendantes et à contribuer au développement de nouvelles méthodes ou de nouveaux outils.
• Planification stratégique : Participation à la planification à long terme et à l’élaboration de stratégies pour les initiatives de science des données au sein de l’organisation.
• Vision stratégique : Forte compréhension des tendances générales de l’industrie et du marché afin de définir l’orientation stratégique des efforts d’apprentissage automatique.
• Diagnostic des modèles : Identifier, dépanner et résoudre les problèmes potentiels dans le pipeline d’apprentissage automatique des autres membres de l’équipe.