Apprentissage supervisé

Étude complète de l'apprentissage supervisé, de la régression linéaire aux méthodes d'ensemble.

Durée du cours : 7h

Ce que vous allez apprendre

• Choisir entre régression et classification selon la question posée
• Entraîner et régler une régression linéaire puis logistique
• Comprendre pourquoi un arbre seul surapprend et comment un ensemble corrige cela
• Mettre en place une validation croisée fiable, sans fuite de données
• Choisir la métrique adaptée quand les classes sont déséquilibrées

Prérequis

• Python et pandas
• Notions de statistiques descriptives

Modules du cours

1. Formuler un problème supervisé : cible, variables, jeu de données
2. Régression linéaire et régularisation Ridge et Lasso
3. Régression logistique et frontière de décision
4. k plus proches voisins et machines à vecteurs de support
5. Arbres de décision : lecture et limites
6. Forêts aléatoires et agrégation bootstrap
7. Amplification du gradient : XGBoost et LightGBM
8. Validation croisée, découpage temporel et fuite de données
9. Métriques : exactitude, précision, rappel, F1, aire sous la courbe ROC
10. Réglage des hyperparamètres et projet de bout en bout

Évaluation et attestation

Le parcours se termine par un examen de 40 questions qui couvre tous les modules. En cas de réussite, une attestation d'achèvement est délivrée ; son numéro est vérifiable sur la plateforme.

Les cours gratuits, eux, se concluent par un quiz de 5 questions avec un aperçu de l'attestation, sans certification.