Optimiser et évaluer les performances de vos modèles

• Choisir les métriques adaptées au problème
• Interpréter matrices de confusion et courbes ROC
• Optimiser les hyperparamètres et valider par validation croisée
• Comparer rigoureusement plusieurs modèles

Développeurs et modélisateurs IA

Non précisé

• Module 1

  Évaluation des performances d’un modèle IA : Revoir les principales métriques (accuracy, recall, F1-score, etc.). Lire et interpréter les matrices de confusion et courbes ROC. Mise en pratique : évaluation d’un modèle de classification sur un dataset réel

• Module 2

  Hyperparamètres et robustesse : Découvrir les méthodes de recherche d’hyperparamètres (grid search, random search). Mettre en œuvre la validation croisée pour tester la robustesse. Mise en pratique : optimisation d’un modèle existant et mesure des gains de performance

• Module 3

  Comparaison et sélection des modèles : Comparer plusieurs modèles selon leurs métriques et leur stabilité. Identifier le sur-apprentissage et ajuster les paramètres. Mise en pratique : benchmark complet de plusieurs algorithmes

• Module 4

  Documentation et suivi des performances : Mettre en place un tableau de bord de suivi des métriques. Tracer les expériences pour assurer la reproductibilité. Mise en pratique : génération automatique d’un rapport d’évaluation de modèle

• Apports structurés et études de cas concrets
• Ateliers pratiques et labs sur plateforme de pratique
• Jusqu'à 70 % de pratique sur les modules techniques
• Supports fournis et accès aux environnements d'entraînement

• Test de positionnement en amont
• Évaluations continues (QCM, travaux pratiques)
• Évaluation de fin de formation et attestation
• Passage des examens de certification le cas échéant

Modalités

Présentiel, Distanciel synchrone, Hybride

Formats

Inter-entreprises, Intra-entreprise

Lieux

Versailles, La Défense (Tour Canopy), Clermont-Ferrand

Effectif

De 2 à 12 participants

Langue

Français