Première phase : Préparation des données

Module 1 : Introduction
1.1 : Récupérer les données et regarder leur structure

Module 2 : Exploration des données
2.1 : Construire des graphiques pour comprendre les données
2.2 : Étudier les séries temporelles pour en déduire le comportement des prix

Module 3 : Nettoyage et encodage des données
3.1 : Nettoyer les données en modifiant les valeurs manquantes et supprimant les valeurs aberrantes
3.2 : Encoder numériquement les variables pour l'apprentissage des modèles

Seconde phase : Modélisation

Module 4 : Introduction à la modélisation
4.1 : Comprendre les concepts fondamentaux de l'apprentissage supervisé
4.2 : Savoir appliquer un modèle de Machine Learning avec le modèle linéaire

Module 5 : Arbres de décisions
5.1 : Découvrir les arbres de décision et l'algorithme CART
5.2 : Appliquer un arbre de régression sur les données Airbnb

Module 6 : Random Forest
6.1 : Découvrir les Random Forest
6.2 : Optimiser les hyper-paramètres des modèles

Module 7 : XGBoost
7.1 : Découvrir le modèle XGBoost et le Gradient Boosting
7.2 : Valider des modèles par des méthodes de validation croisée

Module 8 : Interprétabilité
8.1 : Comprendre l'intérêt de l'interprétabilité avec les PDP
8.2 : Utiliser SHAP pour interpréter localement les modèles

Module 9 : Deep Learning
9.1 : Introduire les modèles de Deep Learning avec les réseaux de neurones

Troisième phase : Déploiement

Module 10 : Data Engineering
10.1 : Comprendre Spark et sa différence avec Hadoop
10.2 : Comprendre l'architecture Map Reduce sur un algorithme

Module 11 : Déploiement de modèles
11.1 : Se rappeler des notions réseaux et de Cloud Computing
11.2 : Être capable de déployer le modèle avec Heroku