Retour
Module 1 : Qu'est-ce que le Machine Learning ?
1.1 ML vs programmation traditionnelle Aperçu
1.2 Les trois types de Machine Learning
1.3 Le cycle de vie d'un projet ML
Module 2 : Préparer ses données
2.1 Nettoyage et prétraitement Aperçu
2.2 Feature engineering : créer de bonnes variables
2.3 Train/Test split et validation croisée
Module 3 : Régression avec Scikit-learn
3.1 La régression linéaire pas à pas Aperçu
3.2 Régression multiple et polynomiale
3.3 Métriques d'évaluation (MAE, MSE, R²)
🛠️ Projet : Prédiction de prix immobiliers
Module 4 : Classification
4.1 Régression logistique Aperçu
4.2 K-Nearest Neighbors (KNN)
4.3 Arbres de décision et Random Forest
Module 5 : Évaluation des modèles
5.1 Matrice de confusion et métriques Aperçu
5.2 Courbe ROC et AUC
5.3 Overfitting et underfitting
🛠️ Projet : Classification de fleurs Iris
Module 6 : Clustering et réduction de dimension
6.1 K-Means clustering Aperçu
6.2 DBSCAN et clustering basé densité
6.3 PCA : analyse en composantes principales
Module 7 : Introduction aux ensembles (Ensemble Methods)
7.1 Random Forest en profondeur Aperçu
7.2 Gradient Boosting et XGBoost
7.3 Quand utiliser quel algorithme ?
Module 8 : Déploiement et MLOps
8.1 Sauvegarder et charger un modèle (pickle, joblib) Aperçu
8.2 Créer une API simple avec Flask
8.3 Introduction au MLOps
🛠️ Projet final : Pipeline ML complet

Le reste de la formation est réservé aux inscrits.

S'inscrire gratuitement
Module 4 : Classification Aperçu gratuit

4.1 Régression logistique

Objectifs

  • Comprendre le fonctionnement de l'algorithme
  • Implementer avec Scikit-learn
  • Interpreter les resultats et eviter le surapprentissage

Contenu principal

Le machine learning repose sur des algorithmes qui apprennent a partir des donnees. Cette lecon detaille les concepts avec une approche pratique : code, exemples, et pieges a eviter.

En pratique

Avec Scikit-learn, implementer un algorithme prend souvent moins de 15 lignes de code. L'essentiel est dans la preparation des donnees (80% du temps).

Surapprentissage (overfitting)

Un modele trop complexe memorise les donnees au lieu de generaliser. Utilisez toujours la validation croisee et un jeu de test separe.

Points cles

  • Qualite des donnees > complexite du modele
  • Toujours evaluer sur des donnees inedites
  • Commencer simple, complexifier seulement si necessaire
Ceci est un aperçu gratuit.
Voir la formation complète