Contenus :

·        Métriques d'évaluation : précision, rappel, F-mesure, courbes ROC

·        Stratégies de validation : hold-out, k-fold cross-validation, leave-one-out

·        Techniques de régularisation : élagage d'arbres, arrêt précoce

·        Gestion des données déséquilibrées et introduction à l'apprentissage multi-classes

·        Intégration de l'apprentissage dans un pipeline de données

Objectifs pédagogiques :

·        Analyser les performances d'un modèle à l'aide de métriques appropriées

·        Mettre en œuvre des stratégies de validation robustes

·        Appliquer des techniques de régularisation pour améliorer la généralisation

·        Évaluer de manière critique les résultats d'un modèle d'apprentissage automatique