1 Prérequis Cette compétence 0 Débloquées

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

Regrouper des données sans étiquettes avec k-means et choisir le nombre de groupes (coude, silhouette)

Entraîner un k-means scikit-learn sur des données sans étiquettes (n_clusters, n_init, random_state), lire les centres et l'inertie, choisir le nombre de groupes par la méthode du coude et le coefficient de silhouette, et reconnaître quand DBSCAN convient mieux, face au bruit et aux groupes de forme irrégulière.

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

Regrouper des données sans étiquettes avec k-means et choisir le nombre de groupes (coude, silhouette)

Calcul en cours

Elle débloque · rien encore

Aucune autre compétence ne la demande : c'est une compétence de bout de chemin.

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. 1Clustering : partitionner des données en machine learning· 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
• Entraîner une régression linéaire et l'évaluer sur un jeu de test (scikit-learn, R², RMSE)
• 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 →