Machine Learning appliqué avec Python : de la donnée au modèle déployé
Apprenez à construire, évaluer et déployer des modèles de machine learning avec Python et scikit-learn. À travers des cas concrets du contexte burkinabè (loyers à Ouagadougou, scoring de crédit en microfinance, segmentation des clients Mobile Money, départ des abonnés télécom), vous maîtriserez toute la chaîne : préparation des données, régression, classification, arbres et méthodes d'ensemble, apprentissage non supervisé, interprétation des modèles, introduction au deep learning et mise en ligne d'une application web avec Streamlit. Chaque module comprend des jeux de données à télécharger, des exercices corrigés et un test ; un projet intégrateur complet clôt la formation.
Programme
Ouvrez un module pour en lire les leçons. Chaque module se termine par un test, et l’examen final délivre l’attestation.
- Module 1Démarrer en machine learning
- Qu'est-ce que le machine learning ?Aperçu gratuit
- Types d'apprentissage et cas d'usage
- Installer l'environnement : Anaconda, Jupyter et Google Colab
- Fichier à télécharger : 2 000 logements à Ouagadougou (Excel)xlsx
- Rappels essentiels : NumPy et pandas
- Le cycle de vie d'un projet de machine learning
- Exercices corrigés
- Résumé du module
- Module 2Préparer les données
- Fichier à télécharger : 2 040 logements, données brutes (Excel)xlsx
- Explorer un jeu de données (EDA)
- Valeurs manquantes et valeurs aberrantes
- Harmoniser et encoder les variables qualitatives
- Normaliser et standardiser
- Séparer apprentissage, validation et test
- La fuite de données
- Automatiser avec les pipelines scikit-learn
- Exercices corrigés
- Résumé du module
- Module 3La régression supervisée
- La régression linéaire vue par le machine learning
- Mesurer l'erreur : MAE, RMSE, R² et MAPE
- Régression polynomiale et sur-apprentissage
- Régularisation : Ridge, Lasso et Elastic Net
- Cas pratique : prédire le loyer d'un logement
- Exercices corrigés
- Résumé du module
- Module 4La classification
- Fichier à télécharger : 3 000 dossiers de crédit d'une IMF (Excel)xlsx
- Régression logistique et k plus proches voisins
- Matrice de confusion, précision, rappel et F1
- Courbe ROC et AUC
- Classes déséquilibrées : pondération, SMOTE et choix du seuil
- Cas pratique : scoring de crédit en microfinance
- Exercices corrigés
- Résumé du module
- Module 5Arbres de décision et méthodes d'ensemble
- Les arbres de décision
- Les forêts aléatoires
- Le gradient boosting : XGBoost et LightGBM
- L'importance des variables
- Comparer les modèles sur le cas du crédit
- Exercices corrigés
- Résumé du module
- Module 6Évaluer, optimiser et interpréter un modèle
- La validation croisée
- Le compromis biais-variance et les courbes d'apprentissage
- Optimiser les hyperparamètres : GridSearch et RandomizedSearch
- Interpréter un modèle : dépendance partielle et SHAP
- Biais, équité et protection des données personnelles
- Exercices corrigés
- Résumé du module
- Module 7L'apprentissage non supervisé
- Données du module : 5 000 utilisateurs Mobile Money (Excel)xlsx
- Le clustering avec les k-moyennes
- Classification hiérarchique et DBSCAN
- Réduire les dimensions avec l'ACP
- Cas pratique : segmenter une clientèle Mobile Money
- Exercices corrigés
- Résumé du module
- Module 8Introduction au deep learning
- Du neurone au réseau de neurones
- Comment un réseau de neurones apprend
- Premier réseau avec Keras : le scoring de crédit
- Les réseaux convolutifs pour les images
- Données : 1 515 SMS Mobile Money étiquetés (Excel)xlsx
- Le texte : de TF-IDF aux modèles pré-entraînés
- Exercices corrigés
- Résumé du module