Formation AutoML avec H2O.ai

Programme de notre formation AutoML avec H2O.ai

[Jour 1 – Matin]

Introduction à H2O.ai et l’écosystème AutoML

• Comprendre l’architecture du cluster H2O
• Initialisation et configuration de l’environnement (Python/R)
• Principes de l’AutoML : gain de temps et réduction des biais
• Exploration des types d’objets : H2OFrame et modèles
• Chargement et préparation des données pour l’automatisation
• Atelier pratique : Premier lancement d’H2O et exploration de données.

[Jour 1 – Après-midi]

Entraînement et Optimisation automatisée

• Paramétrage de la fonction H2OAutoML (temps, métriques, exclusion d’algorithmes)
• Fonctionnement des Stacked Ensembles
• Gestion automatique du Feature Engineering
• Suivi de l’avancement et critères d’arrêt
• Atelier pratique : Génération automatisée d’un modèle de classification.

Analyse du Leaderboard et Sélection

• Interpréter le Leaderboard H2O
• Métriques d’évaluation : AUC, LogLoss, RMSE, Gini
• Comparaison des modèles “Best of Family”
• Extraction des hyperparamètres optimisés
• Atelier pratique : Sélection critique du meilleur modèle selon des contraintes métier.

[Jour 2 – Matin]

Interprétabilité et Diagnostic

• Utilisation du module H2O Explain
• Importance des variables et Partial Dependence Plots (PDP)
• Analyses locales (SHAP values)
• Visualisation des performances (ROC, Confusion Matrix)
• Atelier pratique : Audit complet d’un modèle pour garantir sa transparence.

[Jour 2 – Après-midi]

Déploiement et Industrialisation

• Exportation de modèles : formats MOJO et POJO
• Inférence en dehors d’H2O avec Java ou Python wrappers
• Gestion des versions et persistance des modèles
• Bonnes pratiques pour la mise en production
• Atelier pratique : Export et test d’un modèle MOJO pour une application tierce.

Cas pratique final : Pipeline AutoML complet

• Challenge de modélisation sur un dataset inconnu
• Arbitrage entre temps de calcul et précision
• Présentation et justification des résultats
• Synthèse des forces et limites de l’AutoML
• Atelier pratique : Projet final “End-to-End” – de la donnée brute au déploiement.