Vous êtes ici : Accueil > Formation informatique > Machine Learning et Deep Learning > Machine Learning

Formation - Machine Learning avec Python (SciKit-Learn)

Utiliser la bibliothèque d'apprentissage statistique en Python de référence

Spécifiquement conçue par de nombreux contributeurs et notamment par des instituts français d'enseignement supérieurs et de recherche tels que l'INRIA et Télécom Paritech, SciKit-Learn est une bibliothèque libre développée en Python et destinée à la mise en oeuvre de solutions d'apprentissage automatique. Simple d'utilisation et polyvalente, SciKit-Learn peut être utilisée dans une grande variété de projets : ciblages marketing, prévisions de comportements d'internautes, optimisation de processus industriels ou logistiques... Les participants à cette formation de 2 jours acquerront les compétences et connaissances nécessaires à la mise en oeuvre de SciKit-Learn dans leurs projets.

Choisir une session Consulter le programme 2027

Informations pratiques

Référence : BI050

Durée : 2 jours (14 heures)
Présentiel ou classe à distance
Fondamental

Formation - Machine Learning avec Python (SciKit-Learn)

A qui s'adresse cette formation ?

Chefs de projet et data-scientists souhaitant comprendre le fonctionnement de SciKit-learn

Les objectifs de la formation

Être capable de mettre en oeuvre SciKit-learn pour de l'apprentissage machine et l'analyse de données
Comprendre comment collecter les données et les préparer pour un traitement efficient
Savoir modéliser les données et optimiser les modèles
Être en mesure d'industrialiser et de déployer une application de prédiction

Les points forts de la formation

Un tour d'horizon complet des fonctionnalités de SciKit-Learn
Une formation très opérationnelle durant laquelle s'alternent les phases d'apports théoriques, d'échanges, de partage d'expériences et les séquences de mise en pratique
Une formation pratique : chaque point abordé fera l'objet de manipulations à travers des ateliers pratiques
Les retours d'expérience et conseils de consultants experts.
83% des participants à cette formation se sont déclarés satisfaits ou très satisfaits au cours des 12 derniers mois.

ib Cegos, certifié ISO 9001 et Qualiopi, garantit la qualité et la fiabilité de ses formations et certifications. En savoir plus

Prérequis

Connaissance de Python et d'une bibliothèque de calcul telle que Numpy ou Pandas
Disposez-vous des connaissances nécessaires pour suivre cette formation ? Testez-vous !

Le programme

Télécharger le programme

1 - L'écosystème SciKit Learn

Origine
Missions et évolutions
Architecture
Modules
Atelier pratique : Installation de l'écosystème (PC, MAC, LINUX)

2 - Bonnes pratiques SciKit Learn : la récupération de données

L'API dédiée aux jeux de données
Problématique des grands jeux de données
Les jeux de données internes au framework
La génération de données artificielles
L'accès aux données ouvertes
Méthodologies de chargement de données externes
Atelier pratique : Collecte de données sur un cas concret

3 - Bonnes pratiques SciKit Learn : le prétraitement

Cadre et rôle du prétraitement
Méthodes de mise à l'échelle des données
Normalisation des données
Traitement des données catégorielles
Traitement des données manquantes
Atelier pratique : Prétraitement des données dans un cas concret

4 - Bonnes pratiques SciKit Learn : l'ingénierie des variables prédictives

Cadre et rôle de l'ingénierie des variables prédictives
Transformations non linéaires
Algorithmes de réduction dimensionnelle de données
L'extraction automatique de traits (textes, images)
Combinaison et transformations ad-hoc des données
Atelier pratique : Ingénierie des variables prédictives sur un cas concret

5 - Bonnes pratiques SciKit Learn : la modélisation

Cartographie des algorithmes de l'écosystème
Tour de l'apprentissage supervisé avec SciKit Learn
Tour de l'apprentissage non supervisé avec SciKit Learn
En pratique, mode de sélection d'algorithmes pertinents
Atelier pratique : L'apprentissage supervisé et non supervisé sur cas concrets

6 - Bonnes pratiques SciKit Learn : sélection et optimisation des modèles

Présentation et usage des outils de combinaison et de chaînage de processus
L'évaluation de performance par validation-croisée
Le réglage des hyper-paramètres d'un modèle
Les APIs d'évaluation des modèles de prédiction
Les différentes courbes d'évaluations de modèles de prédictions
Atelier pratique : Sélection de modèle, et optimisation des réglages

7 - Bonnes pratiques SciKit Learn : industrialisation et déploiement

Persistance des modèles
Scaling des applications de prédictions avec SciKit Learn
Problématiques de latence et de débit à l'exécution
La parallélisation
La gestion de l'environnement Python associé
Atelier pratique : Industrialisation d'une application de prédiction

Formation qui regroupe des participants de différentes entreprises au sein d'une même session fixe.

Prix 2026

1 490,00 € HT

Choisir une session

Référence : BI050

Durée : 2 jours (14 heures)
Présentiel ou classe à distance
Fondamental

Horaires

Nos formations débutent à 9h et se terminent entre 17h et 18h. Pour vous accueillir, nos centres sont ouverts dès 8h30. Un petit déjeuner d'accueil vous est proposé avant la formation.

Évaluation

Pendant la formation, le formateur évalue la progression pédagogique des participants via des QCM, des mises en situation et des travaux pratiques. Les participants passent un test de positionnement avant et après la formation pour valider leurs compétences acquises.

Choisissez votre prochaine session

Date de début

Date de fin

Lieu

Éligibilité

*Nous nous engageons à réaliser les sessions identifiées par "session garantie". Ces sessions sont maintenues sauf force majeure.

Places disponibles

Du 30 nov. au 1 déc. 2026

1 490,00 € HT

A Distance

Le lien de connexion à la formation à distance sera envoyé au participant quelques jours avant le début de sa formation.

S'inscrire

Places disponibles

Du 30 nov. au 1 déc. 2026

1 490,00 € HT

Bordeaux