Start a conversation ↗

Description

Machine learning avec Python et Scikit-learn : préparer, entraîner et évaluer

Construire un premier modèle prédictif exploitable sur des données de banque et d'assurance

  • 2 jours — 14 h
  • Présentiel ou à distance
  • Fondamental
  • Jusqu’à 6 participants

Les équipes disposent de données abondantes et d'outils accessibles, mais le passage à un modèle prédictif opérationnel reste bloqué. Les données sont préparées à la main, le modèle est évalué sur les lignes mêmes qui ont servi à l'entraîner et les résultats se dégradent dès la mise en production.

Ces deux jours posent les bases du machine learning avec Python et Scikit-learn. Le participant prépare un jeu de données, entraîne des modèles de régression et de classification, évalue leur performance de façon honnête et construit un pipeline reproductible. Les exemples sont pris dans le scoring crédit et la détection d'anomalies.

Objectifs pédagogiques

  • Préparer un jeu de données tabulaire avec pandas en vue d'un apprentissage
  • Entraîner des modèles de régression et de classification avec Scikit-learn
  • Évaluer un modèle avec les métriques adaptées au problème traité
  • Détecter le surapprentissage et mettre en place une validation croisée
  • Construire un pipeline reproductible de la donnée brute au résultat final

Les points forts

Le travail se fait sur un jeu de données de scoring crédit, du premier chargement jusqu'à l'évaluation
Les pièges d'évaluation sont montrés en direct sur des modèles volontairement trompeurs
Chaque participant repart avec un carnet de code complet et commenté

Programme

1Données et préparation

Le travail qui décide de la suite

  • Chargement et exploration d'un jeu de données avec pandas
  • Traitement des valeurs manquantes et des valeurs aberrantes
  • Encodage des variables qualitatives et mise à l'échelle
  • Séparation entre jeu d'entraînement et jeu de test
  • Fuite d'information et précautions lors de la construction des variables

2Modèles supervisés

Prédire une valeur ou une classe

  • Régression linéaire et régression régularisée
  • Régression logistique et interprétation des coefficients
  • Arbres de décision et forêts aléatoires
  • Méthodes d'agrégation (bagging) et de renforcement (boosting)
  • Choix d'un modèle selon les contraintes d'explicabilité

3Évaluation et validation

Ne pas se tromper sur la performance

  • Métriques de régression et métriques de classification
  • Matrice de confusion et arbitrage entre types d'erreurs
  • Courbes de performance et choix du seuil de décision
  • Validation croisée et stabilité des résultats
  • Traitement des classes déséquilibrées

4Pipeline et mise à disposition

Rendre le résultat reproductible

  • Construction d'un pipeline de transformation et d'apprentissage
  • Recherche d'hyperparamètres par grille et par validation
  • Sauvegarde du modèle et du jeu de transformations
  • Suivi de la dérive des données dans le temps
  • Restitution des résultats à un interlocuteur non technique

Public concerné

Analystes, actuaires, chargés d'études, contrôleurs des risques et professionnels IT de banque ou d'assurance souhaitant aborder le machine learning.

Prérequis

Savoir écrire et exécuter un script Python simple et manipuler des données tabulaires.

Dates et lieux

36 dates programmées entre novembre 2026 et décembre 2027. Les places sont confirmées par ordre d’arrivée des demandes.

novembre 2026

décembre 2026

janvier 2027

février 2027

mars 2027

avril 2027

mai 2027

juin 2027

septembre 2027

octobre 2027

novembre 2027

décembre 2027

Aucune de ces dates ne vous convient ? Nous ouvrons des sessions supplémentaires sur demande, et chaque programme peut être organisé pour votre seule équipe.

Informations pratiques

Avant la formation
Questionnaire de positionnement en ligne. Vos objectifs de progrès sont transmis au formateur, qui adapte les cas pratiques à votre contexte.
Méthodes pédagogiques
Apports théoriques, ateliers et cas pratiques. Support de cours numérique et fiches méthodes fournis.
Évaluation
QCM et mises en situation. Évaluation des acquis en début et en fin de parcours, évaluation à chaud et à froid à 60 jours.
Après la formation
1 an d'accès à l'espace e-learning. Auto-évaluation des compétences acquises et point de suivi à 30 jours avec votre formateur.
Modalités d’inscription
Inscription en ligne ou sur devis.
Délai d’accès
11 jours ouvrés après confirmation de l'inscription.
Accessibilité
Nos formations sont accessibles aux personnes en situation de handicap. Contactez notre équipe accessibilité pour définir ensemble une solution adaptée : contact@mpf-academy.ae
Dates de démarrage
Entrées permanentes : en plus des sessions programmées, cette formation peut démarrer sur demande.