Programme détaillé

REGRESSION ET FEATURE ENGINEERING

INTRODUCTION AU MACHINE LEARNING SUPERVISE

• Différences entre régression et classification
• Principaux cas d'usage (prédiction de ventes, détection de spam...)
• Étapes d'un projet de ML supervisé

ALGORITHMES DE REGRESSION

• Régression linéaire simple et multiple
• Métriques d'évaluation (RMSE, R2...)

FEATURE ENGINEERING POUR LA REGRESSION

• Scaling et normalisation des variables
• Gestion des variables catégorielles
• Création de nouvelles variables
• Sélection de variables

ÉTUDE DE CAS : PREDICTION DES PRIX DE L'IMMOBILIER

PRE-PROCESSING DES DONNEES ET FEATURE ENGINEERING

• Entraînement et évaluation de différents modèles
• Interprétation des coefficients et des erreurs

CLASSIFICATION ET INTERPRETABILITE

ALGORITHMES DE CLASSIFICATION

• Régression logistique
• Arbres de décision
• SVM
• Métriques d'évaluation (accuracy, precision, recall, f1-score...)

FEATURE ENGINEERING POUR LA CLASSIFICATION

• Encodage des variables catégorielles (one-hot, label...)
• Discrétisation des variables numériques
• Gestion du déséquilibre des classes

INTERPRETATION DES MODELES DE CLASSIFICATION

• Matrice de confusion
• Courbe ROC et AUC
• Feature importance
• LIME et SHAP pour expliquer les prédictions

ÉTUDE DE CAS ET CONCLUSIONS

ÉTUDE DE CAS : PREDIRE L’ACHAT D’UN CLIENT

• Pré-processing des données et feature engineering
• Comparaison de différents classifieurs
• Optimisation des hyperparamètres
• Interprétation des coefficients

BONNES PRATIQUES ET PIEGES A EVITER

• Choix de la métrique d'évaluation
• Gestion du surajustement (overfitting)
• Dangers des variables de fuite (leakage)
• Biais des données d’entraînement