Compétence · Machine learning · 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
Situer le machine learning dans la démarche de data science, puis, d'après les données disponibles (étiquetées ou non) et la réponse attendue (valeur, catégorie, groupes), choisir entre apprentissage supervisé (régression ou classification), non supervisé et par renforcement, et situer le travail dans le cycle de vie itératif d'un projet data, où la préparation des données domine et où l'on revient à une étape antérieure quand le modèle ne répond pas au besoin.
Commencer la leçon 1Le domaine Machine learning
- 2 leçons
- ~40 min de lecture
- 2 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 · aucun prérequis
Une compétence de base : vous pouvez commencer tout de suite.
Cette compétence, pour vous
Cadrer un problème de machine learning : choisir la famille d'apprentissage et situer le travail dans le cycle de vie du projet
Calcul en cours
Elle débloque · rien encore
Aucune autre compétence ne la demande : c'est une compétence de bout de chemin.
Le chemin des bases De la base la plus en amont jusqu'à cette compétence : ce qui est en place, ce qu'il reste à lire.
Leçons
Comment l'apprendre
2 leçons, soit ~40 min, dans l'ordre du programme. Chaque leçon se termine par son quiz.
Le programme
2 leçons · ~40 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
2 quiz
En fin de leçon : réussis à 70 %, ils confirment 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.
Test de positionnement
Préparation des questions…
Le détail de vos réponses
Pour chaque question posée : votre réponse, la bonne réponse, son explication et la page à relire.
Autour
Qui la demande, qui l'enseigne
Demandée par
Aucun métier publié ne la demande encore.
Enseignée par
Même bloc · Cadrer, outiller, entraîner et reproduire des modèles de machine learning
- Préparer un poste de data science reproductible : environnement conda épinglé et notebook Jupyter qui s'exécute de bout en bout
- Entraîner une régression linéaire et l'évaluer sur un jeu de test (scikit-learn, R², RMSE)
- 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)