Nettoyer, structurer et préparer les données pour le Machine Learning

• Comprendre l’importance de la qualité des données dans les projets de machine learning
• Maîtriser les principales techniques de nettoyage, structuration et transformation des données
• Préparer efficacement des jeux de données avant l’entraînement d’un modèle

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

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

• Comprendre l’impact de la qualité des données sur les performances des modèles
• Identifier et traiter les données manquantes, doublons et incohérences
• Uniformiser les formats, types et unités des données
• Encoder les variables catégorielles pour les rendre exploitables par les algorithmes
• Normaliser et standardiser les données numériques
• Créer de nouvelles variables pertinentes grâce au feature engineering
• Réduire la dimension des données pour simplifier l’analyse et le traitement
• Préparer les données spécifiques : temporelles, textuelles ou géographiques
• Visualiser et analyser la qualité des données avant modélisation
• Construire des pipelines de preprocessing reproductibles avec les outils adaptés

• Nettoyer un jeu de données contenant erreurs, doublons et valeurs manquantes
• Encoder et transformer des variables pour un modèle de classification
• Construire un pipeline automatisé de préparation des données

• Checklist des étapes essentielles de préparation des données pour le machine learning
• Tableau des principales techniques de nettoyage et de transformation des données
• Mini-glossaire des méthodes de preprocessing et des outils incontournables