Python pour le machine learning avec scikit-learn

• Programmer des modèles de machine learning en Python avec scikit-learn
• Préparer des données et entraîner des modèles de classification
• Comparer plusieurs algorithmes avec des mesures adaptées

Data analysts, ingénieurs, développeurs, statisticiens, étudiants

Connaître les bases de Python et de la manipulation de données

• Situer les grandes familles d’apprentissage supervisé et non supervisé
• Charger et explorer un jeu de données avec la bibliothèque pandas
• Nettoyer les valeurs manquantes, aberrantes et en double
• Encoder les variables catégorielles et normaliser les variables numériques
• Séparer les données d’entraînement, de validation et de test
• Entraîner un modèle de régression et un modèle de classification
• Construire un pipeline scikit-learn propre et reproductible
• Utiliser la validation croisée pour estimer la performance
• Régler les hyperparamètres avec une recherche systématique
• Sauvegarder le modèle entraîné et documenter la démarche

• Nettoyer un jeu de données et préparer les variables
• Entraîner trois algorithmes et comparer leurs scores
• Assembler un pipeline complet de la donnée au modèle

• Modèle de notebook Python pour un projet de machine learning
• Fiche repère des algorithmes de scikit-learn courants
• Check list de préparation des données avant entraînement