Formation scikit-learn pour le machine learning
Maîtrisez scikit-learn pour le machine learning : pipelines, modèles supervisés et non supervisés, évaluation et tuning.
Dates des prochaines sessions
Sessions en présentiel à Paris ou à distance. Inscriptions ouvertes jusqu'à la veille du démarrage, dans la limite des places disponibles.
La formation scikit-learn vous donne en 2 jours les clés pour construire des modèles de machine learning robustes en Python. Vous découvrez les principaux concepts du machine learning : apprentissage supervisé, non supervisé, séparation entraînement/test, validation croisée, métriques d’évaluation. Vous apprenez à construire un pipeline complet avec scikit-learn, en intégrant prétraitement, sélection de variables, entraînement et évaluation. La formation vous fait maîtriser toutes les étapes de création d’un modèle, de la préparation des données à la validation des performances. Très orientée pratique, elle s’appuie sur des jeux de données réels et des cas métier variés (classification, régression, clustering). Indispensable pour tout data scientist en formation.
Objectifs pédagogiques
- Connaître les principaux concepts du machine learning
- Construire un pipeline de machine learning avec scikit-learn
- Maîtriser les étapes de création d'un modèle, de la préparation à la validation
2 jours, 14 heures de pratique
Chaque journée alterne apports théoriques courts et ateliers pratiques. Programme ajustable en intra-entreprise.
1 Fondamentaux et premiers modèles avec scikit-learn
• Les concepts du machine learning et le processus de construction d’un modèle
• L’écosystème scikit-learn (Python, NumPy, pandas)
• Les principes de scikit-learn et la notion de pipeline
• Un premier modèle de machine learning avec scikit-learn
• Préparation des données et preprocessing : données qualitatives, manquantes, ColumnTransformer
2 Sélection, évaluation et méthodes avancées
• Gestion du sur-apprentissage et validation (train/test, validation croisée)
• Les métriques d’évaluation des modèles
• Ajustement des hyperparamètres et combinaison dans un pipeline
• Focus sur les méthodes : modèles linéaires, modèles à base d’arbres (forêts aléatoires, GBM)
• Modèles non supervisés avec scikit-learn
• Passage en production d’un modèle : les différentes approches
Profils et prérequis
Profils concernés
- Data scientist en formation sur le machine learning
- Data analyst souhaitant aborder la modélisation prédictive
- Développeur Python intégrant des modèles ML à ses projets
Prérequis
- Bonne maîtrise de Python et de pandas
- Notions de base en statistique
Modalités pédagogiques
- En présentiel à Paris ou à distance ou en classe virtuelle, aux mêmes horaires et avec le même formateur.
- Apports théoriques courts puis ateliers pratiques sur des jeux de données réels, corrigés en direct.
- Formateur praticien de la data en entreprise, groupe limité à 7 participants.
- Supports de cours, jeux de données et corrigés remis à chaque participant.
- Émargement à chaque demi-journée, en salle comme à distance, et certificat de réalisation en fin de formation.
Les logiciels et technologies
Les outils que vous manipulerez tout au long de la formation.
Outils d'évaluation des compétences
- Quiz et QCM à la fin de chaque module pour valider l’acquisition des connaissances théoriques.
- Mini-projets guidés (manipulation de DataFrames, visualisation) Auto-évaluation sur la compréhension et la mise en application des concepts.
- Feedback individuel : chaque participant se voit proposer un bilan de ses points forts et axes d’amélioration.
Informations pratiques
Reconnaissance, inscription et accessibilité
Reconnaissance, inscription et accessibilité
Reconnaissance
- Formation non certifiante.
- Une attestation de formation est remise à l'issue de la formation.
Inscription
- Inscription en ligne ou au 01.72.25.40.82.
- Vérification de vos objectifs et des prérequis, puis convention (entreprise) ou contrat (particulier).
- Convocation envoyée avant le démarrage.
- Inter : inscription jusqu'à la veille de la session, dans la limite des places.
- Intra : mise en place sous 3 semaines.
- OPCO : demande à déposer avant le début de la formation.
Accessibilité
- Formation accessible aux personnes en situation de handicap, en présentiel comme à distance.
- Adaptations étudiées avant l'inscription avec notre référent handicap : accessibilité de nos formations.
Une formation finançable
Selon votre situation, cette formation peut être prise en charge par un financeur. Notre équipe vous accompagne dans le montage du dossier et vous fournit devis, programme et convention.
Salarié : Plan de développement des compétences de votre entreprise, avec prise en charge possible par votre OPCO.
Indépendant, dirigeant, profession libérale : Fonds d'assurance formation de votre activité (AGEFICE, FIF PL, FAFCEA…).
Demandeur d'emploi : Aide individuelle à la formation (AIF) de France Travail, sur accord de votre conseiller.
Financement personnel : Paiement en plusieurs fois possible.
CPF : Nos formations ne sont pas certifiantes : elles ne sont pas éligibles au Compte personnel de formation.
Avis sur la formation
Comment cette note est calculée. Moyenne des notes globales attribuées par les participants de cette formation dans le questionnaire de satisfaction remis en fin de session : 4,8 / 5, sessions inter et intra confondues. Tous nos indicateurs de résultats et leur méthode →
FAQ
Quelle est la durée de la formation et sous quels formats est-elle proposée ?
La formation dure 2 jours (14 heures) et se déroule en présentiel ou à distance, en groupe limité à 7 participants pour préserver l'interactivité et la pratique.
Quels sont les prérequis pour suivre cette formation ?
Pour suivre cette formation dans de bonnes conditions, il est recommandé d'avoir : Bonne maîtrise de Python et de pandas; Notions de base en statistique.
Quels types d'algorithmes sont couverts ?
La formation couvre la régression, la classification, les modèles linéaires, les modèles à base d'arbres (forêts aléatoires, GBM) et les modèles non supervisés, avec une approche par pipelines scikit-learn.
Faut-il des bases en statistiques ?
Des notions de base en statistique sont recommandées, ainsi qu'une bonne maîtrise de Python et de pandas, mais la formation revient sur les concepts clés du machine learning.
Prêt à monter en compétences ?
Inscrivez-vous à l'une de nos sessions programmées, ou optez pour une formation intra sur mesure adaptée à votre équipe.
Une question ? Appelez-nous au 01.72.25.40.82
Cette formation scikit-learn vous donne en 3 jours les clés pour construire des modèles de machine learning robustes en Python. Vous abordez les principales familles d’algorithmes (régression, classification, clustering), la construction de pipelines, la validation croisée, le réglage d’hyperparamètres et l’interprétation des modèles. La formation, très orientée pratique, repose sur des jeux de données réels et des cas métier variés. Indispensable pour tout data scientist en formation.