Formation AutoGluon

Programme de notre formation AutoGluon

[Jour 1 – Matin]

Fondamentaux de l’AutoML

• Comprendre les principes de l’AutoML et la valeur ajoutée d’AutoGluon.
• Identifier les grands types de tâches prises en charge, dont la classification, la régression et les séries temporelles.
• Découvrir l’architecture générale de la bibliothèque et ses principaux modules.
• Analyser le cycle de vie d’une expérimentation, de la donnée brute au modèle exploitable.
• Repérer les cas d’usage métiers où l’automatisation accélère la mise en production.
• Atelier pratique : prise en main d’AutoGluon, lancement d’un premier entraînement sur un jeu de données tabulaire simple et lecture des résultats.

[Jour 1 – Après-midi]

Préparation des données tabulaires

• Structurer un jeu de données pour la prédiction tabulaire avec les bons types de colonnes.
• Comprendre le rôle du label, des variables explicatives et des identifiants.
• Gérer les valeurs manquantes, les variables catégorielles et les variables numériques.
• Mettre en place une séparation cohérente entre apprentissage, validation et test.
• Découvrir les options de chargement et de configuration de TabularPredictor.
• Atelier pratique : nettoyage d’un dataset, préparation des variables et entraînement d’un premier modèle tabulaire avec évaluation sur un jeu de test.

[Jour 2 – Matin]

Entraînement et comparaison des modèles

• Explorer la logique de sélection automatique des modèles candidats.
• Comprendre l’intérêt des ensembles et du stacking pour améliorer la performance.
• Paramétrer les principaux presets et leurs impacts sur le temps d’entraînement.
• Interpréter les scores, les classements de modèles et les métriques de validation.
• Identifier les leviers de réglage pour équilibrer précision, vitesse et coût calculatoire.
• Atelier pratique : comparaison de plusieurs configurations AutoGluon et analyse des écarts de performance entre modèles.

[Jour 2 – Après-midi]

Optimisation et interprétabilité

• Exploiter les mécanismes d’optimisation d’hyperparamètres intégrés.
• Étudier les méthodes d’importance des variables et d’explication des prédictions.
• Analyser les erreurs de prédiction pour mieux cibler les améliorations.
• Adapter les réglages selon les contraintes métier et les objectifs de qualité.
• Préparer un pipeline reproductible pour itérer rapidement sur les expérimentations.
• Atelier pratique : ajustement des hyperparamètres, lecture des importances de variables et amélioration guidée d’un modèle existant.

[Jour 3 – Matin]

Multimodal et séries temporelles

• Découvrir les apports de AutoGluon Multimodal pour combiner texte, image et données structurées.
• Comprendre les spécificités des flux de données pour la prédiction multimodale.
• Aborder la préparation des séries temporelles et les contraintes de format long.
• Utiliser TimeSeriesPredictor pour lancer des prévisions probabilistes.
• Choisir des métriques adaptées selon le contexte de prévision.
• Atelier pratique : mise en œuvre d’un cas d’usage multimodal ou temporel, avec entraînement et comparaison des prédictions.

[Jour 3 – Après-midi]

Industrialisation et bonnes pratiques

• Organiser un flux de travail de bout en bout pour le passage en production.
• Sauvegarder, recharger et réutiliser les modèles entraînés.
• Mettre en place une démarche de validation et de suivi des performances.
• Identifier les limites du cadre AutoML selon les contraintes de projet.
• Appliquer les bonnes pratiques de documentation, de reproductibilité et de maintenance.
• Atelier pratique : construction d’un mini-projet complet, depuis la préparation des données jusqu’à la restitution d’un modèle prêt à être industrialisé.