Formation Introduction au Machine Learning avec Scikit-learn

Jour 1 — Fondamentaux du ML et préparation des données 

 

Matin — Introduction au Machine Learning 

 

• Définitions : IA, ML, Deep Learning, IA générative 

• Apprentissage supervisé, non supervisé et par renforcement 

• Workflow type d’un projet ML 

• Écosystème Python : NumPy, Pandas, Matplotlib, Scikit-learn 

 

Atelier — Analyse exploratoire d’un dataset d’entreprise 

Contexte : Une direction commerciale souhaite mieux comprendre les facteurs qui influencent les prix de vente dans plusieurs régions françaises avant de lancer un projet de prédiction de prix.  

Dataset : Exemple Dataset transactions avec caractéristiques produits, régions, prix de vente.  

Tâches à réaliser:  

• Charger les données avec Pandas et établir une fiche descriptive  

• Réaliser une analyse univariée et bivariée des principales variables  

• Détecter et traiter les valeurs aberrantes (prix extrêmes)  

• Produire 5 visualisations clés (distribution prix, corrélations, prix par région)  

Livrable attendu : Notebook d’analyse exploratoire commenté avec synthèse des 3 principales tendances observées.  

 

Après-midi — Préparation et exploration des données 

• Nettoyage : valeurs manquantes, doublons, outliers 

• Encodage des variables catégorielles et mise à l’échelle 

• Découpage train / test / validation 

• Gestion du déséquilibre des classes 

• Introduction aux Pipelines Scikit-learn 

 

Atelier — Préparation d’un dataset de scoring client  

Contexte : Une banque souhaite préparer un dataset de scoring d’octroi de crédit. Le jeu de données contient des informations sensibles, des valeurs manquantes et des variables hétérogènes.  

Dataset : Dataset « German Credit » enrichi (lignes) : revenus, ancienneté, historique de crédit, situation familiale, label défaut.  

Tâches à réaliser:  

• Imputer les valeurs manquantes selon le type de variable  

• Encoder les variables catégorielles (OneHot et OrdinalEncoder)  

• Standardiser les variables numériques avec StandardScaler  

• Construire un Pipeline Scikit-learn complet et le sauvegarder avec joblib  

Livrable attendu : Pipeline de préparation réutilisable et dataset train/test prêt à l’emploi.  

 

 

Jour 2 — Modélisation et évaluation 

 

Matin — Modèles supervisés 

• Régression linéaire et logistique 

• K-Nearest Neighbors, arbres de décision, Random Forest 

• Introduction au boosting (Gradient Boosting, XGBoost) 

• Sur–apprentissage et sous-apprentissage 

 

Atelier — Prédiction des prix  

Contexte : Suite à l’analyse exploratoire prix de la veille, la direction commerciale veut construire un modèle de prédiction de prix pour aider ses commerciaux à faire des propositions tarifaires plus rapidement.  

Dataset : Dataset préparé (des transactions).  

Tâches à réaliser:  

• Entraîner une régression linéaire comme baseline  

• Comparer avec un Random Forest et un Gradient Boosting  

• Mesurer la performance en RMSE et MAE sur le set de test  

• Identifier les 5 variables les plus influentes selon le modèle retenu  

Livrable attendu : Notebook comparatif des 3 modèles avec recommandation argumentée du modèle à mettre en production.  

 

Après-midi — Apprentissage non supervisé et évaluation 

• Clustering (K-Means, DBSCAN, CAH) 

• Réduction de dimension (PCA, t-SNE) 

• Métriques de classification (accuracy, précision, rappel, F1, ROC-AUC) 

• Validation croisée et tuning d’hyperparamètres (GridSearchCV) 

• Explainable AI 

 

Atelier — Segmentation de clients  

Contexte : La direction commerciale souhaite identifier des profils types de clients pour adapter les tarifications 

Dataset : Dataset précédent.  

Tâches à réaliser:  

• Réduire la dimension avec une PCA et visualiser les clients en 2D  

• Appliquer un K-Means avec choix optimal de k   

• Caractériser les clusters obtenus (profil moyen)  

• Comparer le rôle d’un GridSearchCV pour optimiser un classifieur supervisé sur le même dataset  

Livrable attendu : Notebook présentant la segmentation finale et la fiche descriptive des 3 à 5 profils identifiés.