Dans vos locaux
Pour ancrer les apprentissages et encourager la dynamique collective.
Formation Apprentissage automatique avancé
Maîtrisez les méthodes d'ensemble, l'apprentissage non supervisé et l'évaluation rigoureuse des modèles pour éviter les illusions de performance.
Allez au-delà des modèles de base : bagging et boosting, clustering et réduction de dimension, réglage des hyperparamètres, validation croisée rigoureuse et interprétabilité des prédictions avec SHAP.
from sklearn.model_selection import cross_val_score
from sklearn.ensemble import GradientBoostingClassifier
model = GradientBoostingClassifier(n_estimators=300, max_depth=3)
scores = cross_val_score(model, X, y, cv=5, scoring='roc_auc')
print(scores.mean())Description
Cette formation dépasse les modèles de base pour aborder les méthodes qui font la différence en production : bagging, boosting et forêts aléatoires, clustering et réduction de dimension pour l'apprentissage non supervisé, recherche d'hyperparamètres par validation croisée, et interprétabilité des prédictions avec des outils comme SHAP. Une large place est faite à la méthodologie d'évaluation : détection des fuites de données, choix des métriques adaptées au déséquilibre des classes, et lecture critique d'un score de performance. Les travaux pratiques s'appuient sur Python et les bibliothèques scikit-learn et pandas. Elle s'adresse aux data scientists, ingénieurs IA et analystes confirmés qui veulent fiabiliser leurs modèles avant mise en production.
Les objectifs
concevoir et entraîner des modèles supervisés et non supervisés complexes
mettre en œuvre les méthodes d'ensemble et le réglage des hyperparamètres
évaluer rigoureusement un modèle et éviter les fuites de données
interpréter les prédictions d'un modèle et en expliquer les limites
Public visé
Data scientists, ingénieurs IA, analystes confirmés, ingénieurs de recherche.
Prérequis
Pratique de Python et des bibliothèques d'analyse de données, connaissance des bases de l'apprentissage automatique.
Le programme
Jour 1
Matinée
1. Méthodologie et évaluation rigoureuse
- Formulation d'un problème et choix de la variable cible
- Séparation des jeux de données et validation croisée adaptée au contexte
- Fuites de données : formes, détection, conséquences
- Métriques selon l'enjeu métier et coût des erreurs
- Intervalle de confiance et significativité d'un écart de performance
- Travaux pratiques : audit méthodologique d'un projet d'apprentissage fourni et correction des biais
Après-midi
2. Préparation avancée des données
- Ingénierie des variables et encodage des variables catégorielles
- Traitement des valeurs manquantes par imputation modélisée
- Variables temporelles, cycliques et hiérarchiques
- Classes déséquilibrées : rééchantillonnage, pondération, seuils
- Chaînes de transformation reproductibles et cohérence entre entraînement et inférence
- Travaux pratiques : construction d'une chaîne de préparation complète et reproductible
Jour 2
Matinée
3. Méthodes d'ensemble
- Agrégation bootstrap et forêts aléatoires
- Renforcement par gradient et bibliothèques de référence
- Réglage des hyperparamètres des modèles à base d'arbres
- Empilement de modèles et combinaison de prédictions
- Comparaison des performances avec les approches neuronales sur données tabulaires
- Travaux pratiques : construction et comparaison de plusieurs modèles d'ensemble sur un jeu métier
Après-midi
4. Réglage et sélection de modèles
- Recherche d'hyperparamètres : grille, aléatoire, optimisation bayésienne
- Budget de calcul et arrêt anticipé
- Sélection de variables et réduction de dimension
- Automatisation de la sélection de modèles et limites
- Reproductibilité des expérimentations
- Travaux pratiques : campagne d'optimisation d'hyperparamètres avec suivi des expérimentations
Jour 3
Matinée
5. Apprentissage non supervisé
- Méthodes de partitionnement et choix du nombre de groupes
- Partitionnement hiérarchique et méthodes fondées sur la densité
- Réduction de dimension linéaire et non linéaire
- Détection d'anomalies : méthodes et évaluation en l'absence d'étiquettes
- Interprétation métier des groupes obtenus
- Travaux pratiques : segmentation d'une base clients et interprétation des groupes
Après-midi
6. Séries temporelles et cas particuliers
- Spécificités des séries temporelles : validation, saisonnalité, tendance
- Modèles statistiques classiques et modèles d'apprentissage
- Prévision multi-horizon et intervalles de prédiction
- Données spatiales et données de graphes : aperçu
- Apprentissage sur données limitées et transfert
- Travaux pratiques : construction d'un modèle de prévision avec validation temporelle correcte
Jour 4
Matinée
7. Interprétabilité et équité
- Modèles interprétables par construction et modèles opaques
- Importance des variables et méthodes d'explication locale
- Limites et pièges d'interprétation des méthodes d'explication
- Mesure des biais par sous-population et correction
- Documentation du modèle et information des utilisateurs
- Travaux pratiques : analyse d'explicabilité et d'équité d'un modèle entraîné
Après-midi
8. De l'expérimentation à la production
- Écart entre performance en validation et performance en production
- Contraintes d'inférence : latence, volumétrie, ressources
- Dérive des données et surveillance des performances réelles
- Stratégie de réentraînement et de versionnement
- Documentation et transfert à l'équipe d'exploitation
- Travaux pratiques : préparation complète d'un modèle pour la mise en production
Dernière mise à jour : 18 septembre 2026
En présentiel ou à distance : à vous de choisir
En classe virtuelle
Pour allier flexibilité et interactions en temps réel avec le formateur.
Dans nos locaux
Pour favoriser la concentration, les échanges et le confort des apprenants.
Les modalités de formation
Suivi et évaluation :
- Recueil des besoins en amont pour identifier les attentes du stagiaire
- Évaluation continue : études de cas et travaux pratiques pendant la formation
- Évaluation finale : questionnaire d'auto-évaluation
Format et encadrement :
- Formation équilibrée alliant théorie et pratique (minimum 50%)
- Sessions en petits groupes (2 à 9 participants) pour un suivi personnalisé
- Émargement par demi-journée et remise d'une attestation de formation
Moyens pédagogiques et techniques :
- Méthodes interactives et suivi des acquis : travaux pratiques, projet fil rouge, mises en situation, démonstrations, QCM…
- Les stagiaires doivent être équipés de leur matériel informatique pour suivre la formation, que ce soit dans nos locaux ou sur site externe.
- Les prérequis techniques seront communiqués aux apprenants en amont de la formation, lors de l'analyse des besoins, en fonction des spécificités de chaque client.
- Accessibilité: nous informons l'ensemble de nos clients et stagiaires que nous sommes dans la capacité d'adapter les sessions en cas de situations spécifiques. Nous nous engageons à répondre à toutes les demandes dans un délai de 48h ouvré.
Conditions et délais d'accès :
- Si l'une de nos formations vous intéresse, contactez-nous au +33 04 93 65 34 24 ou à l'adresse mail contact@le-code.dev. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d'adapter la formation et ses modules, puis nous vous adresserons un devis. Les dates de la formation seront à convenir sous 30 jours maximum.
- Concernant les formations Actions Collectives, l'inscription est possible jusqu'à 24h ouvrées avant le début de la formation.