Machine Learning Fundamentals — modèles supervisés, validation et pipelines — V8 strict-gate

Transformer un besoin métier en problème ML

Maîtriser objectif métier, target, horizon et données disponibles pour produire un résultat de machine learning fiable, mesurable et défendable.

Séparer les données : train, validation et test

Maîtriser split reproductible, stratification et généralisation pour produire un résultat de machine learning fiable, mesurable et défendable.

Construire une baseline avant tout modèle

Maîtriser DummyRegressor, DummyClassifier et seuil minimal pour produire un résultat de machine learning fiable, mesurable et défendable.

Choisir une métrique et tenir un journal d’expérience

Maîtriser métriques alignées sur le besoin et traçabilité pour produire un résultat de machine learning fiable, mesurable et défendable.

Régression linéaire avec scikit-learn

Maîtriser fit, predict, coefficients, MAE, RMSE et R² pour produire un résultat de machine learning fiable, mesurable et défendable.

Régularisation Ridge et Lasso

Maîtriser complexité, pénalité, scaling et stabilité pour produire un résultat de machine learning fiable, mesurable et défendable.

Classification binaire avec régression logistique

Maîtriser probabilités, seuil, classes et F1 pour produire un résultat de machine learning fiable, mesurable et défendable.

KNN et arbres de décision

Maîtriser modèles locaux, règles, profondeur et comparaison pour produire un résultat de machine learning fiable, mesurable et défendable.

Comparer plusieurs modèles supervisés

Maîtriser tableau de scores, baseline et choix prudent pour produire un résultat de machine learning fiable, mesurable et défendable.

Diagnostiquer overfitting et underfitting

Maîtriser biais-variance, train score, test score et complexité pour produire un résultat de machine learning fiable, mesurable et défendable.

Validation croisée pour estimer la généralisation

Maîtriser cross_val_score, folds, moyenne et dispersion pour produire un résultat de machine learning fiable, mesurable et défendable.

Tuning d’hyperparamètres avec GridSearchCV

Maîtriser grille limitée, CV interne et test final indépendant pour produire un résultat de machine learning fiable, mesurable et défendable.

Métriques de classification et seuil de décision

Maîtriser matrice de confusion, précision, rappel, F1 et ROC-AUC pour produire un résultat de machine learning fiable, mesurable et défendable.

Évaluer une régression avec résidus et erreurs

Maîtriser résidus, erreurs absolues, RMSE et cas difficiles pour produire un résultat de machine learning fiable, mesurable et défendable.

Prétraitement numérique : imputation et scaling

Maîtriser SimpleImputer, StandardScaler et variables numériques pour produire un résultat de machine learning fiable, mesurable et défendable.

Variables catégorielles et encodage

Maîtriser OneHotEncoder, unknown categories et features encodées pour produire un résultat de machine learning fiable, mesurable et défendable.

Pipeline et ColumnTransformer anti-fuite

Maîtriser fit sur train, transform sur test, pipeline complet pour produire un résultat de machine learning fiable, mesurable et défendable.

Feature engineering prudent

Maîtriser création de variables, sélection et risque de fuite pour produire un résultat de machine learning fiable, mesurable et défendable.

Reproductibilité : paramètres, versions et artefacts

Maîtriser random_state, sauvegarde, model card et relançabilité pour produire un résultat de machine learning fiable, mesurable et défendable.

Clustering KMeans et lecture des groupes

Maîtriser clusters, centroïdes, inertie et silhouette pour produire un résultat de machine learning fiable, mesurable et défendable.

PCA et réduction dimensionnelle

Maîtriser variance expliquée, composantes et limites d’interprétation pour produire un résultat de machine learning fiable, mesurable et défendable.

Interpréter un modèle simple

Maîtriser coefficients, importances et permutation importance pour produire un résultat de machine learning fiable, mesurable et défendable.

Biais, limites et usage responsable d’un modèle

Maîtriser group metrics, supervision humaine, RGPD et AI Act pour produire un résultat de machine learning fiable, mesurable et défendable.

Projet certifiant : pipeline ML de bout en bout

Maîtriser cadrage, pipeline, validation, interprétation et model card pour produire un résultat de machine learning fiable, mesurable et défendable.