Groupe ECL · Autres
Machine learning prédictif — churn prediction, modèles de classification, validation
Digital — Machine Learning Prédictif · séance 3 · ≈ 35 min d’écoute
Écouter un extrait
Au programme
- Fondements du machine learning prédictif
- Qu'est-ce que le machine learning supervisé ?
- La donnée client : collecte, qualité, préparation
- Le churn : définition, enjeux, mesure
- Modèles de classification pour la churn prediction
- Régression logistique et arbres de décision
- Random Forest et Gradient Boosting
- Sélection des variables et feature engineering
- Validation, déploiement et pilotage opérationnel
- Métriques de validation : précision, rappel, AUC-ROC
- Déploiement et intégration au système d'information
- Piloter une équipe autour d'un modèle prédictif
Notions clés du cours
- Machine learning supervisé
- Le machine learning supervisé désigne un ensemble de techniques par lesquelles un algorithme identifie des patterns dans un jeu de données historiques labellisées afin de prédire un résultat sur de nouvelles données non…
- Feature engineering
- Le feature engineering est le processus de transformation et de création de variables explicatives à partir des données brutes disponibles, afin d'améliorer la capacité prédictive d'un modèle de machine learning.
- Churn (attrition client)
- Le churn désigne le phénomène par lequel un client cesse d'utiliser les produits ou services d'une entreprise sur une période définie, qu'il s'agisse d'une résiliation explicite (churn volontaire) ou d'un abandon progres…
- Régression logistique
- La régression logistique est un modèle statistique de classification qui estime la probabilité qu'une observation appartienne à une classe donnée en appliquant une fonction sigmoïde à une combinaison linéaire des variabl…
- Méthode d'ensemble (Ensemble Learning)
- Les méthodes d'ensemble combinent les prédictions de multiples modèles appris indépendamment (bagging) ou séquentiellement (boosting) afin de réduire la variance, le biais ou les deux, et d'obtenir des performances prédi…
- Matrice de confusion
- La matrice de confusion est un tableau carré qui croise les prédictions d'un modèle de classification avec les classes réelles, permettant de calculer les vrais positifs, vrais négatifs, faux positifs et faux négatifs.
Questions fréquentes
Combien de temps dure « Machine learning prédictif — churn prediction, modèles de classification, validation » ?
Environ 35 min d’écoute, réparties sur 52 écrans avec voix-off et 1 quiz d’auto-évaluation.
Faut-il un compte ou payer ?
Non : ce cours est accessible sans inscription, et il peut être téléchargé pour l’écouter hors-ligne.
Puis-je lire au lieu d’écouter ?
Oui : choisis « Lire » (texte seul), « Suivre » (voix et texte qui défile), « Écouter » (audio seul) ou « Slides ».
Sources citées dans le cours
- CNIL, Recommandations sur les systèmes de profilage automatisé, 2023
- CNIL, Guide pratique IA et RGPD, 2023
Cours conçu par le Groupe École de Commerce de Lyon. Contenu pédagogique de formation, sans valeur de diplôme.