Descriptif

Introduction au machine learning avec scikit-learn est une formation de 2 jours (14 heures), de niveau intermédiaire, rattachée au domaine « Intelligence artificielle expert ». Construire et évaluer des modèles de machine learning. Conçue et animée par des praticiens en activité, elle alterne apports ciblés (30 %) et mises en pratique (70 %) sur des laboratoires cloud individuels, avec des cas inspirés des secteurs banque, assurance et services publics. Disponible en inter-entreprises, en intra sur catalogue et en version sur mesure adaptée au contexte de l'entreprise.

Objectifs pédagogiques

À l'issue de la formation, le participant sera capable de :

Comprendre les principes fondamentaux du Machine Learning supervisé et non supervisé
Maîtriser la préparation et le nettoyage des données pour optimiser la performance des modèles
Savoir sélectionner, entraîner et ajuster des modèles ML avec Scikit-learn
Être capable d’évaluer, comparer et interpréter les résultats des modèles pour une prise de décision éclairée

Programme détaillé

N°	Contenus et activités	Durée
Jour 1
1	Ouverture : tour de table, test de positionnement Python et pandas, création de l'environnement conda et prise en main du notebook fil rouge	1 h
2	Anatomie d'un projet scikit-learn : estimateurs, fit et predict, séparation entraînement / validation / test, fuite de données	1,5 h
3	Atelier guidé : explorer et nettoyer un jeu fictif de dossiers d'assurance avec pandas — valeurs manquantes, types, valeurs aberrantes, visualisation avec Seaborn	2 h
4	Travaux pratiques : assembler un Pipeline avec ColumnTransformer, encodage one-hot et normalisation, puis entraîner une première régression logistique	2,5 h
Jour 2
5	Travaux pratiques : comparer k plus proches voisins, arbre, forêt aléatoire et gradient boosting, régler avec GridSearchCV et lire matrice de confusion, précision, rappel, F1 et AUC-ROC	2,5 h
6	Atelier : segmentation non supervisée de la base clients par k-means et ACP, interprétation des axes avec Matplotlib	1,5 h
7	Cas pratique : livrer un modèle argumenté — sérialisation avec joblib, fiche de modèle, limites et recommandation de décision	1,5 h
8	Révision ciblée des cinq domaines de la certification scikit-learn Associate Practitioner (Probabl) : concepts d'apprentissage, préparation des données, construction et évaluation des modèles, sélection et validation, interprétation et restitution	1 h
9	Examen blanc au format réel — questions à choix multiple et items de lecture de code, sans écriture de code — correction commentée et bilan des acquis	0,5 h

Méthodes pédagogiques

Pédagogie active : 71 % du temps en pratique encadrée — laboratoires cloud provisionnés par participant, travaux pratiques guidés, fil rouge applicatif —, le reste en apports structurés, démonstrations commentées, cadrage et évaluation
répartition calculée sur le déroulé détaillé de cette formation, et non annoncée de façon uniforme
classe inversée avec prérequis sur le LMS
apprentissage adaptatif selon le positionnement initial
travaux en binômes
classe virtuelle en séquences de 3 h 30 maximum sur Microsoft Teams
support clair, complet et paginé remis à chaque participant

Technologies et outils mobilisés

LMS DATAROCKSTARS, Python 3.x, IDE : Jupyter Notebook / VS Code, Bibliothèques : Scikit-learn, Pandas, NumPy, Matplotlib, Seaborn, Environnement virtuel : conda ou venv

Modalités d'évaluation et de validation

Positionnement initial en ligne
quiz de validation à chaque séquence
évaluation finale des acquis (QCM et mise en situation)
satisfaction à chaud
questionnaire de transfert à 30 jours
attestation de fin de formation
préparation et passage de la certification scikit-learn Associate Practitioner (Probabl)

Plateforme, laboratoires et ressources

LMS DATAROCKSTARS : parcours, supports numériques, quiz, évaluations, émargement par demi-journée
laboratoires cloud individuels accessibles depuis un navigateur, sans installation, données fictives, détruits en fin de session
bibliothèque O'Reilly (plus de 60 000 ressources)
accès aux supports pendant 6 mois