1 Prérequis Cette compétence 3 Débloquées

Compétence · Machine learning · Cadrer, outiller, entraîner et reproduire des modèles de machine learning

Entraîner une régression linéaire et l'évaluer sur un jeu de test (scikit-learn, R², RMSE)

Découper des données en jeux d'entraînement et de test avec train_test_split, entraîner une régression linéaire scikit-learn, lire sa pente et son ordonnée à l'origine, prédire une valeur, mesurer R² et RMSE sur le jeu de test, lire les résidus pour repérer une relation non linéaire, et passer à une régression multiple en fournissant plusieurs colonnes.

Commencer la leçon 1Le domaine Machine learning

• 1 leçon
• ~30 min de lecture
• 1 quiz
• 0 lab de preuve

Le chemin

D'où elle vient, où elle mène

Ce qu'il faut savoir avant, où vous en êtes sur cette compétence, et ce qu'elle ouvre ensuite. Votre état se calcule dans votre navigateur, à partir de ce que vous avez lu et réussi.

Avant · 1 prérequis

• Manipuler listes, tuples, ensembles et découpes en Python

Conseillé avant · 2

• Cadrer un problème de machine learning : choisir la famille d'apprentissage et situer le travail dans le cycle de vie du projet
• Préparer un poste de data science reproductible : environnement conda épinglé et notebook Jupyter qui s'exécute de bout en bout

Cette compétence, pour vous

Entraîner une régression linéaire et l'évaluer sur un jeu de test (scikit-learn, R², RMSE)

Calcul en cours

Elle débloque · 3 compétences

• Tracer chaque entraînement sur un serveur de suivi et retrouver le run qui a produit un modèle (MLflow)
• Tester données et modèle avant promotion : schéma, bornes, seuil et non-régression face au champion (pytest)
• Rendre un entraînement reproductible et le décrire en pipeline paramétré rejoué à l'identique (uv, DVC)

Leçons

Comment l'apprendre

1 leçon, soit ~30 min, dans l'ordre du programme. Chaque leçon se termine par son quiz.

Le programme

1 leçon · ~30 min

1. 1Régression linéaire : définition et exemple en Python· 30 min

Au-delà des leçons

S'évaluer, pratiquer, passer l'épreuve

Lire une leçon ne confirme rien. Une compétence se confirme par un quiz réussi, se travaille en lab guidé, et se met à l’épreuve par un challenge ou une mission ; un résultat de lab importé n’est pas vérifié par le site.

S'évaluer

1 quiz

En fin de leçon : réussi à 70 %, il confirme la compétence.

Pratiquer

Aucun lab guidé

Aucun lab guidé ne la fait encore pratiquer.

Épreuve

Aucune épreuve

Ni challenge, ni mission avec une preuve pour l'instant.

Autour

Qui la demande, qui l'enseigne

Demandée par

Aucun métier publié ne la demande encore.

Enseignée par

• Machine learning

Même bloc · Cadrer, outiller, entraîner et reproduire des modèles de machine learning

• Cadrer un problème de machine learning : choisir la famille d'apprentissage et situer le travail dans le cycle de vie du projet
• Préparer un poste de data science reproductible : environnement conda épinglé et notebook Jupyter qui s'exécute de bout en bout
• Regrouper des données sans étiquettes avec k-means et choisir le nombre de groupes (coude, silhouette)
• Entraîner un petit réseau de neurones sur CPU avec PyTorch et lire sa frontière de décision
• Versionner un jeu de données hors de Git et en retrouver une version exacte (DVC)
• Rendre un entraînement reproductible et le décrire en pipeline paramétré rejoué à l'identique (uv, DVC)
• Tracer chaque entraînement sur un serveur de suivi et retrouver le run qui a produit un modèle (MLflow)
• Enregistrer un modèle, le versionner et le désigner par alias avec sa lignée (MLflow)
• Tester données et modèle avant promotion : schéma, bornes, seuil et non-régression face au champion (pytest)

×

📖 Voir la documentation →