Descriptif
Day 1: Data wrangling \- Advanced course on Pandas \- Tidy data \- Lab on MovieLens dataset \- Challenge and getting started with RAMP Day 2: ML Pipelines and hyperparameter search \- Column transformer and pipelines \- Bayesian optimization and hyper parameter search \- Learning curves Day 3: Metrics and dealing with unbalanced data \- Presentation of the different ML metrics \- Problem of the metric with unbalanced data \- ML approaches to deal with imbalanced data Day 4: Ensemble methods and feature engineering \- Gradient Boosting \- Stacking \- feature engineering Day 5: Model inspection \- partial dependence plots \- feature importance Challenges Besides the students will compete during the week on a data challenge.
30 heures en présentiel
Diplôme(s) concerné(s)
Format des notes
Numérique sur 20Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées
Pour les étudiants du diplôme Master 2 Data Sciences
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- 7 ≤ note initiale < 10
- Crédits ECTS acquis : 4 ECTS
Le coefficient de l'UE est : 3
