En savoir plus

Module 3 — Apprentissage Supervise

Programme du module

• 🔹 Regression lineaire, Ridge et Lasso
• 🔹 Classification : arbres de decision, Random Forest, SVM
• 🔹 Gradient Boosting : XGBoost, LightGBM, CatBoost
• 🔹 Validation croisee et evaluation des modeles
• 🔹 Optimisation des hyperparametres avec GridSearch et Optuna

Objectifs d'apprentissage

• ✓ Appliquer les techniques de feature engineering et de selection de variables
• ✓ Deployer des modeles en production avec des API REST

Methodologie

Formation technique avec 75% de programmation pratique et 25% de theorie. Les participants codent en Python sur des notebooks Jupyter tout au long de la formation. Chaque algorithme est implemente, evalue et compare sur des jeux de donnees reels. Un projet fil rouge permet de construire un pipeline ML complet.