1

Import des données et preprocessing

• L'environnement de développement Python / Anaconda / Jupyter Notebook.
• Pandas : l’analyse de données tabulaires (CSV, Excel...), statistiques, pivots, jointures, filtres.
• Traitement des valeurs manquantes : imputation par la moyenne, médiane, interpolation, knn…
• Traitement des Outliers : analyse graphique, méthode de l’IQR, Z-score.
• Standardisation.
• Normalisation : Skewness et Kurtosis.
• Données non balancées : Undersampling, Oversampling, SMOTE.

2

Entraînement de modèles et évaluation

• Modèles d’apprentissage supervisés et non-supervisés les plus courants.
• Entraînement de modèles avec Scikit-learn.
• Méthodes d’évaluations : savoir choisir les bonnes métriques pour chaque problématique.

3

Optimisation des modèles et log des performances

• Présentation des librairies Optuna, Hyperopt.
• Présentation de l’approche Grid Search pour identifier les meilleurs hyper paramètres d’un modèle.
• Log des hyper paramètres et des performances dans Mlflow.

4

Modèle et Data Drift

• Intérêt de vérifier le modèle Drift et le Data Drift.
• Présentation des librairies Evidently et Streamlit.

5

Industrialisation : déploiement dans le cloud

• Présentation du service AWS EC2.
• Présentation de Flask pour le pour la mise à disposition d’un modèle de machine learning par le biais d’une API.
• Présentation de divers outils de connexion à l’environnement virtuel tels que Putty, Visual Studio Code…
• Déploiement du code par le biais de GitHub.

• Parcours certifiant intégrer des modèles et des services d’intelligence artificielle - Réf. ZIS