Nettoyer, structurer et préparer les données pour le Machine Learning

Objectifs

Comprendre pourquoi la qualité des données est essentielle à la performance d’un modèle de machine learning
Acquérir les bonnes pratiques pour nettoyer, structurer et transformer des jeux de données bruts
Appliquer les étapes de preprocessing adaptées aux différents types de données (numériques, catégorielles, textuelles)
Gagner en autonomie dans la phase de préparation des données avant l’entraînement d’un modèle

Participants

Débutants en data science, analystes, développeurs, chefs de projet data, étudiants ou professionnels en reconversion

Pré-requis

Connaissances de base en machine learning ou familiarité avec les tableaux de données (Excel, CSV, pandas…)

Programme

Comprendre l’impact de la qualité des données sur la précision et la robustesse d’un modèle
Identifier les données manquantes et choisir la bonne stratégie de traitement (suppression, imputation…)
Détecter et corriger les doublons, incohérences ou valeurs aberrantes dans un dataset
Uniformiser les formats, types et unités pour garantir une bonne lisibilité des données par l’algorithme
Encoder les variables catégorielles avec des techniques adaptées (one-hot encoding, label encoding…)
Normaliser ou standardiser les variables numériques pour équilibrer les échelles
Créer de nouvelles variables pertinentes à partir des données existantes (feature engineering)
Réduire la dimension d’un jeu de données si nécessaire pour faciliter le traitement
Gérer les données temporelles, textuelles ou géographiques selon leurs spécificités
Visualiser les distributions, les corrélations et la qualité des données avec des outils simples
Préparer les jeux d’entraînement et de test tout en évitant les fuites de données
Mettre en place une routine reproductible de preprocessing pour différents projets
Utiliser les bibliothèques pandas, NumPy, Scikit-learn ou des outils no-code pour nettoyer les données

Exercices pratiques

Nettoyer un jeu de données réel contenant des erreurs, des doublons et des valeurs manquantes
Encoder correctement des variables catégorielles en vue d’un modèle de classification
Appliquer une normalisation sur un jeu de données et observer les effets sur les modèles
Construire un pipeline de preprocessing simple pour automatiser la préparation des données

Aptibox

Checklist des étapes clés de préparation des données pour le ML
Tableau des techniques de nettoyage et transformation selon le type de variable
Mini-glossaire des méthodes de preprocessing (scaling, imputation, encodage…)
Ressources pratiques : notebooks, outils no-code, simulateurs de nettoyage de données

Référence

IAF150

Participants

Individuel
Collectif

Durée

2 heures

Prix

580,00 € HT

Format

Distanciel
Présentiel

Dates

Sur mesure

Options

Aptibox
Coaching
Entrainement intensif
Suivi

Ajouter au panier

Télécharger ce programme

Réserver une séance

Financements

Nous vous aidons dans vos démarches pour financer vos formations. Retrouvez toutes les informations sur les solutions de financement.

Nos forfaits

Nous vous proposons des forfaits/packs d’achat de modules à prix dégressifs, selon la quantité demandée.

Ces modules de 2h sont valables pour nos 5000 aptitudes ( = ateliers de formation 100% sur mesure allant à l’essentiel, tous thèmes confondus, sur tous nos catalogues management, RH, communication, développement personnel, commercial…) et valables également sur toutes nos prestations (séances de coaching, bilan de compétences , feedback 360°, codéveloppement…).

Nettoyer, structurer et préparer les données pour le Machine Learning

Objectifs

Participants

Pré-requis

Programme

Exercices pratiques

Aptibox

Espace client

Prendre RDV

Réservez directement votre séance !

Nous contacter