Aller au contenu principal
- Pipeline complet: problème, données, features, modèle, évaluation, déploiement; itératif par nature
- La question qui gouverne tout: « qui a le droit de voir quoi »; train, validation, test et leurs rôles
- Fuites de données: preprocessing ajusté sur tout le jeu, target encoding global, split temporel ignoré
- Métriques: accuracy piégeuse en classe déséquilibrée; précision/rappel selon le coût des erreurs
- Baseline naïve obligatoire; un score sans intervalle de confiance n'est pas un résultat
- Supervisé: régression logistique, arbres, forêts, gradient boosting; pas d'algorithme universel
- Sur-apprentissage: écart train/validation; profondeur, régularisation, early stopping
- Régularisation: L2 lisse et stabilise, L1 raréfie et sélectionne; λ réglé par validation croisée
- Non supervisé: K-Means (coude, silhouette), DBSCAN (densité, anomalies), PCA (variance expliquée)
- PCA et scaling dans un Pipeline: ajustés sur le train, appliqués au test
- Séries temporelles: split temporel strict, features causales (lags, moyennes passées), baseline saisonnière
- NLP: tokenisation, BoW/TF-IDF (ordre perdu), embeddings, transformers pré-entraînés et fine-tuning
- Calibration: probabilités alignées sur les fréquences observées, par bins
- Validation croisée: stabilité des folds; imbriquée pour estimer le protocole complet de sélection
- Biais: données, mesure, optimisation; proxies reconstruisent les variables sensibles exclues
- Équité: parité démographique, opportunités, calibration; définitions incompatibles, choix à documenter
- Interprétabilité: importances, PDP, SHAP; expliquer n'est pas justifier, ni établir la causalité
- Mise en production: contrat d'entrée/sortie, versionner Pipeline + dépendances, canary/A-B/shadow
- Surveillance: latence p95, erreurs, dérive de features et de concept; réentraînement au protocole figé
- Reproductibilité: graines, code versionné, carnet d'expériences, métrique fixée avant les tests