Start a conversation ↗

Description

Machine Learning avec Python : préparer ses données, entraîner et évaluer un modèle

Construire un premier modèle prédictif de bout en bout et savoir dire s'il est réellement fiable

  • 1 jour — 7 h
  • Présentiel ou à distance
  • Perfectionnement
  • Jusqu’à 6 participants

Passer de l'analyse descriptive à la prédiction bute souvent sur les mêmes obstacles : des données mal préparées, un modèle entraîné et testé sur les mêmes lignes, une exactitude flatteuse sur une variable cible déséquilibrée et aucune idée de ce que le modèle a réellement appris. Le code fonctionne, mais la prédiction ne tient pas en production.

Cette journée de sept heures déroule la chaîne complète sur un jeu de données réel avec Python et scikit-learn : préparation des variables, séparation des échantillons, entraînement de modèles de classification et de régression, puis évaluation argumentée. Chaque participant repart avec un carnet de code réutilisable.

Objectifs pédagogiques

  • Préparer un jeu de données pour l'apprentissage supervisé
  • Séparer les échantillons d'entraînement et de test et justifier ce découpage
  • Entraîner un modèle de classification et un modèle de régression avec scikit-learn
  • Choisir les métriques d'évaluation adaptées au problème traité
  • Diagnostiquer le sur-apprentissage et ajuster les paramètres du modèle
  • Présenter les résultats et les limites du modèle à un interlocuteur non technique

Les points forts

Un jeu de données réel sert de fil conducteur toute la journée, de la préparation à l'évaluation
Le piège de l'exactitude sur données déséquilibrées est démontré en direct dans le code
Chaque participant repart avec un carnet Python commenté qu'il peut adapter à ses propres données

Programme

1Préparation des données et cadrage du problème

Le modèle ne rattrape jamais des données mal préparées

  • Formuler le problème en classification ou en régression
  • Traiter les valeurs manquantes et les valeurs aberrantes
  • Encoder les variables catégorielles et mettre les variables numériques à l'échelle
  • Séparer entraînement et test sans fuite d'information
  • Constituer une base de référence simple servant de point de comparaison

2Entraînement des premiers modèles

Des algorithmes simples avant les modèles complexes

  • Entraîner une régression linéaire et une régression logistique
  • Utiliser un arbre de décision et une forêt aléatoire
  • Comprendre l'effet des principaux hyperparamètres
  • Structurer le traitement dans un enchaînement reproductible
  • Comparer les modèles sur un même découpage

3Évaluation, diagnostic et restitution

Savoir ce que vaut réellement sa prédiction

  • Choisir entre exactitude, précision, rappel et erreur quadratique selon l'objectif
  • Lire une matrice de confusion et une courbe de performance
  • Utiliser la validation croisée pour stabiliser l'évaluation
  • Repérer le sur-apprentissage et y remédier
  • Expliquer les variables influentes et les limites du modèle

Public concerné

Analystes de données, statisticiens, développeurs et contrôleurs de gestion souhaitant construire leurs premiers modèles prédictifs.

Prérequis

Savoir écrire un script Python et manipuler un tableau de données avec pandas

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.