Formation Feature Engineering & optimisation des modèles Mixte : présentiel / à distance

•  Analyser et préparer les features pour les modèles prédictifs
• Mettre en œuvre des techniques avancées de Feature Engineering
• Optimiser les modèles Machine Learning pour la performance
• Évaluer et interpréter les résultats des modèles
• Configurer des pipelines reproductibles et optimisés

• Connaissances en Python et bibliothèques ML (pandas, scikit-learn, numpy)
• Connaissances de base en Machine Learning

• Accès à un environnement Python avec bibliothèques ML installées

Jour 1 – Feature Engineering et préparation des données

Session du matin :

• Introduction au Feature Engineering
• Analyse des variables et extraction de features
• Transformation des variables catégorielles et numériques

Session de l'après-midi :

• Techniques avancées : encodage, normalisation, création de features dérivées
• Sélection et importance des features
• Détection et gestion des données manquantes ou aberrantes

TP / Exercice : Création et transformation de features sur un dataset réel. Livrable : notebook Python avec features préparées et sélectionnées.

Points clés & takeaways :

• Maîtrise des techniques de Feature Engineering
• Capacité à transformer et sélectionner les variables
• Préparation optimisée des données pour les modèles ML

Jour 2 – Optimisation et évaluation des modèles

Session du matin :

• Techniques d'optimisation des hyperparamètres (Grid Search, Random Search)
• Validation croisée et évaluation des modèles
• Gestion du sur-apprentissage et régularisation

Session de l'après-midi :

• Pipelines ML reproductibles et automatisation
• Optimisation de modèles supervisés et non supervisés
• Présentation des résultats et interprétation

TP / Exercice : Optimisation d'un modèle ML avec sélection de features et évaluation des performances. Livrable : notebook Python avec modèle optimisé et rapport des métriques.

Points clés & takeaways :

• Capacité à optimiser et évaluer des modèles ML
• Maîtrise des pipelines reproductibles et automatisés
• Compétence en communication des résultats et interprétation

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

• Formation en présentiel
• En groupe (inter-entreprises ou intra-entreprise)
• En individuel (monitorat)
• En journée ou en cours du soir (sur demande spécifique)
• Formation en distanciel
• Distanciel synchrone
• Distanciel asynchrone

• Apports des connaissances communes.
• Mises en situation sur le thème de la formation et des cas concrets.
• Méthodologie d'apprentissage attractive, interactive et participative.
• Equilibre théorie / pratique : 60 % / 40 %.
• Supports de cours fournis au format papier et/ou numérique.
• Ressources documentaires en ligne et références mises à disposition par le formateur.
• Pour les formations en présentiel dans les locaux mis à disposition, les apprenants sont accueillis dans une salle de cours équipée d'un réseau Wi-Fi, d'un tableau blanc ou paperboard. Un ordinateur avec les logiciels appropriés est mis à disposition (le cas échéant).

En amont de la formation :

• Recueil des besoins des apprenants afin de disposer des informations essentielles au bon déroulé de la formation (profil, niveau, attentes particulières...).
• Auto-positionnement des apprenants afin de mesurer le niveau de départ.

Tout au long de la formation : 

• Évaluation continue des acquis avec des questions orales, des exercices, des QCM, des cas pratiques ou mises en situation...

A la fin de la formation : 

• Auto-positionnement des apprenants afin de mesurer l'acquisition des compétences.
• Evaluation par le formateur des compétences acquises par les apprenants.
• Questionnaire de satisfaction à chaud afin de recueillir la satisfaction des apprenants à l'issue de la formation.
• Questionnaire de satisfaction à froid afin d'évaluer les apports ancrés de la formation et leurs mises en application au quotidien.

• Admission sans disposition particulière