Your cart is empty.
Keep shopping
Machine Learning avec Python et Scikit-Learn : de A à Z
7,174 students
Machine Learning avec Python et Scikit-Learn : de A à Z
Régression, classification, k-NN, validation croisée, clustering : construis et évalue tes modèles prédictifs
Last updated 10/2026
French
French [Auto],
What you'll learn
- Comprendre les fondamentaux du Machine Learning et construire tes premiers modèles de prédiction avec scikit-learn
- Utiliser l'algorithme des k plus proches voisins (kNN) pour prédire et classer des données
- Évaluer tes modèles avec des métriques d'erreur, la validation croisée holdout et k-fold
- Optimiser les hyperparamètres pour améliorer les performances de tes modèles
- Prédire des valeurs avec la régression linéaire : sélection des caractéristiques, moindres carrés, descente de gradient
- Classer des données avec la régression logistique, en binaire et en multi-classe •
- Repérer et limiter le sur-apprentissage (overfitting)
- Regrouper des données avec le clustering K-Means
- Réaliser 3 projets guidés sur des datasets réels, dont la prédiction de prix de voitures et de maisons
- Découvrir les bases des réseaux de neurones
Explore related topics
Course content
26 sections • 176 lectures • 14h 3m total length
Requirements
- Avoir des notions en Python est un plus
Description
Tu veux comprendre comment une machine apprend à partir de données et construire tes propres modèles de prédiction ? Cette formation t'apprend les fondamentaux du Machine Learning avec Python et scikit-learn, pas à pas, en rendant les notions compliquées accessibles à tous.
Une méthode où c'est toi qui construis
À chaque vidéo, tu reçois un énoncé et tu écris le code toi-même, au lieu de regarder quelqu'un taper à l'écran. Tu acquiers ainsi de vraies compétences, pas seulement l'impression de comprendre.
Au programme : 3 parties progressives, de débutant à intermédiaire
Partie 1, les fondamentaux : k plus proches voisins (kNN), évaluation de la performance, optimisation des hyperparamètres, validation croisée
Partie 2, la régression linéaire : sélection des caractéristiques, descente de gradient, moindres carrés ordinaires, préparation des données
Partie 3, techniques intermédiaires : régression logistique, classification binaire et multi-classe, overfitting (surapprentissage), clustering K-Means
En quelques chiffres
14 heures de vidéos et 176 sessions
7 datasets réels pour entraîner tes modèles
3 projets guidés complets, dont la prédiction de prix de voitures et de maisons
Le code source est inclus
À la fin, tu auras toutes les bases pour comprendre et construire des modèles de Machine Learning plus poussés.
Prérequis : des notions de Python sont un plus. Un rattrapage accéléré Python / Pandas est inclus dans le cours.
À la fin de ce cours
Tu sauras choisir un algorithme adapté à ton problème, entraîner un modèle avec scikit-learn, mesurer sa qualité avec les bonnes métriques et l'améliorer sans tomber dans le surapprentissage. Tu auras aussi 3 projets complets à montrer, et des bases solides pour aborder des modèles plus avancés comme le Boosting ou le Deep Learning.
Ton formateur
Je suis Rod, Data Scientist et développeur web, fondateur de MonCoachData et de DataXp. Plus de 80 000 personnes ont déjà suivi mes formations Python, SQL, Data Science, Machine Learning et IA sur Udemy. Mon objectif : rendre accessibles des sujets complexes et te préparer à les utiliser dans le monde réel.
Garantie : tu as 30 jours pour tester le cours, satisfait ou remboursé selon les conditions d'Udemy. Tu gardes un accès à vie au contenu et à ses futures mises à jour, et tu reçois un certificat de fin de formation à ajouter à ton profil LinkedIn.
Prêt à construire tes propres modèles de prédiction ? Inscris-toi et commence dès aujourd'hui.
Who this course is for:
- Débutants en Data Science qui veulent construire leurs premiers modèles de Machine Learning en Python
- Personnes qui connaissent un peu Python et Pandas et veulent passer à la prédiction et à la classification
- Étudiants et professionnels qui veulent évaluer la performance de leurs modèles et éviter les pièges classiques