Forêt aléatoire — cours, TP VS Code et quiz (Word)

Des arbres à la forêt : pourquoi l’ensemble bat presque toujours l’individu, comment le bootstrap et le tirage des variables créent la diversité, et ce que les observations hors sac permettent d’évaluer sans jeu de test. 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 (importances, matrice de confusion, courbe ROC, pipeline sauvegardé) Au sommaire : Cours — 05.1 Forêt aléatoire Random Forest : — Objectifs et prérequis — Parcours du module — 05.1.1 Passer d’un arbre à un ensemble — 05.1.2 Comprendre le bootstrap — 05.1.3 Introduire de la diversité dans les variables — 05.1.4 Combiner les prédictions — 05.1.5 Choisir le nombre d’arbres — 05.1.6 Contrôler la complexité des arbres — 05.1.7 Évaluer avec les observations hors sac — 05.1.8 Lire les importances des caractéristiques — 05.1.9 Prétraiter et traiter le déséquilibre — 05.1.10 Utiliser une forêt en régression — 05.1.11 Distinguer forêt et boosting — 05.1.12 Construire une évaluation honnête — 05.1.13 Retenir les paramètres essentiels — 05.1.14 Premier programme minimal — 05.1.15 Exercices de compréhension — 05.1.16 Synthèse et glossaire — Documentation pour approfondir Travaux pratiques — 05.2 Forêt aléatoire Random Forest : — 05.2.1 Préparer Python et VS Code — 05.2.2 Comprendre le jeu de données et le protocole — 05.2.3 Programme complet commenté — 05.2.4 Lire le programme par étapes — 05.2.5 Résultats de la vérification — 05.2.6 Adapter un CSV avec nombres et catégories — 05.2.7 Analyser le mécanisme propre au modèle — 05.2.8 Exercices pratiques à réaliser — 05.2.9 Mini projet autonome — 05.2.10 Résoudre les erreurs fréquentes — Références techniques Quiz — sans corrigé. Volume : 3 documents Word, environ 6 800 mots (~18 pages). Le code source des scripts est publié librement : https://github.com/hrhouma2/aiopsatlas-apprentissage-supervise-code-fr/tree/main/05-foret-aleatoire