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

• Alternance d'apports théoriques et de mises en pratique contextualisées.
• Progression pédagogique structurée, de la compréhension à la mise en œuvre opérationnelle.
• Pédagogie immersive favorisant une mise en application immédiate des compétences.
• Formation interactive et participative s'appuyant sur des ateliers pratiques, études de cas et échanges collectifs (+ 60 % du temps de formation.)
• Séquences pédagogiques rythmées et évaluations formatives régulières pour renforcer l'ancrage des apprentissages.
• Supports de cours, ressources documentaires et références mis à disposition par le formateur

En amont de la formation (évaluation en ligne dans l'extranet apprenant)

• Recueil des besoins et des attentes des participants.
• Auto-positionnement permettant d'évaluer le niveau initial des apprenants.

Tout au long de la formation

• Évaluations continues réalisées par le formateur à travers des questions orales, exercices, QCM, études de cas et mises en situation pratiques.
  
  

À l'issue de la formation (évaluations en ligne dans l'extranet apprenant)

• Auto-positionnement afin de mesurer l'acquisition des compétences visées.
• Validation de l'acquisition des compétences par le formateur
• Questionnaire de satisfaction « à chaud » à l'issue de la formation
• Questionnaire de satisfaction "à froid", 45 jours après la formation afin d'évaluer l'ancrage des acquis et leur mise en application en situation professionnelle.

• Admission sans disposition particulière