Arbre de décision — cours, TP VS Code et quiz (Word)

L’algorithme le plus lisible du machine learning, et ses pièges : l’impureté se calcule à la main, le surapprentissage se voit sur l’arbre dessiné, l’élagage se règle avec une pénalité de complexité. Ce que contient le pack : — le cours détaillé au format Word, modifiable, avec six exercices de compréhension — le TP guidé pas à pas dans VS Code, avec travaux pratiques et mini-projet — un quiz de 40 questions sans réponses, prêt à distribuer — quatre scripts Python vérifiés, un CSV d’exemple, requirements.txt et les résultats attendus (arbre dessiné, règles en texte, matrice de confusion, courbe ROC) Au sommaire : Cours — 03.1 Arbre de décision : — Objectifs et prérequis — Parcours du module — 03.1.1 Lire un arbre de décision — 03.1.2 Apprendre une séparation — 03.1.3 Calculer l’impureté de Gini — 03.1.4 Comprendre l’entropie et les critères — 03.1.5 Produire une classe et une probabilité — 03.1.6 Limiter le surapprentissage — 03.1.7 Élaguer avec une pénalité de complexité — 03.1.8 Préparer les variables — 03.1.9 Visualiser et expliquer les règles — 03.1.10 Utiliser un arbre pour la régression — 03.1.11 Reconnaître les limites et choisir un usage — 03.1.12 Construire une évaluation honnête — 03.1.13 Retenir les paramètres essentiels — 03.1.14 Premier programme minimal — 03.1.15 Exercices de compréhension — 03.1.16 Synthèse et glossaire — Documentation pour approfondir Travaux pratiques — 03.2 Arbre de décision : — 03.2.1 Préparer Python et VS Code — 03.2.2 Comprendre le jeu de données et le protocole — 03.2.3 Programme complet commenté — 03.2.4 Lire le programme par étapes — 03.2.5 Résultats de la vérification — 03.2.6 Adapter un CSV avec nombres et catégories — 03.2.7 Analyser le mécanisme propre au modèle — 03.2.8 Exercices pratiques à réaliser — 03.2.9 Mini projet autonome — 03.2.10 Résoudre les erreurs fréquentes — Références techniques Quiz — sans corrigé. Volume : 3 documents Word, environ 6 900 mots (~18 pages). Le code source des scripts est publié librement : https://github.com/hrhouma2/aiopsatlas-apprentissage-supervise-code-fr/tree/main/03-arbre-de-decision