Dans la pratique du machine learning, la construction d’un modèle ne représente que la moitié du travail. C’est votre capacité à l’évaluer, à expliquer ses faiblesses et à justifier les améliorations proposées qui rendra votre travail fiable. Dans ce cours, vous apprendrez à évaluer les modèles de régression et de classification à l’aide d’indicateurs pertinents, à identifier les points de défaillance systématiques des modèles et à déterminer si les différences de performance ont réellement de l’importance. Vous vous exercerez à choisir les indicateurs RMSE et MAE pour présenter les résultats de modèles de prévision des prix immobiliers, à analyser des matrices de confusion pour détecter des faux positifs dans les filtres anti-spam, et à utiliser la méthode du bootstrapping pour vérifier si les améliorations de l’AUC sont statistiquement significatives. Grâce à de courtes vidéos, des entretiens de coaching guidés, des activités pratiques et un laboratoire non noté, vous gagnerez en assurance pour interpréter les performances des modèles comme le font les équipes en situation réelle. À la fin de la formation, vous serez en mesure de justifier vos choix d’évaluation et de prendre des décisions fondées sur des données concrètes concernant les modèles.