Phase technique
4 semaines de pratique : fondamentaux, modèles tabulaires, deep learning et MLOps, avec un projet fil rouge sur la prédiction des pages mémoire chaudes/froides.
-
Le cadre du ML supervisé, revu à froid
Données, modèle, perte et généralisation : on reconstruit le cadre mental du ML supervisé avant d'aller plus loin.
-
Préparer les données sans fuite
Split temporel, purge et features sur fenêtres glissantes : préparer des données qui ne mentent pas sur la performance.
-
Évaluer un classifieur pour de vrai
Matrice de confusion, précision, rappel, ROC et PR : choisir la bonne métrique et le bon seuil quand les erreurs n'ont pas le même coût.
-
Modèles linéaires et régularisation
Régression logistique, log-loss, L1 et L2 : la baseline légère du mémoire comprise en profondeur, jusqu'à son coût d'inférence et la référence « ne jamais compresser ».
-
Arbres, forêts et gradient boosting
Arbres, bagging, boosting et LightGBM sur les traces mémoire : comment un arbre trouve seul les bosses qu'on fabriquait à la main, et le plus petit modèle qui garde le gain.
-
Validation et tuning sérieux
Folds temporels avec purge, grille contre hasard contre Optuna, et leave-one-workload-out : régler ses modèles sans se mentir, et mesurer ce que coûte un workload jamais vu.
-
Comprendre ce que le modèle a appris
Importances par gain, permutation et SHAP, dépendance partielle, et une analyse d'erreurs qui trouve pourquoi le modèle rate un balayage jamais vu, puis en corrige une partie avec une feature.
-
Apprentissage non supervisé : explorer sans labels
Profils d'accès, PCA, k-means, DBSCAN et les pièges de t-SNE : retrouver sans labels les familles de régions mémoire, et repérer un comportement jamais vu avant que le modèle ne se trompe.
-
Un réseau de neurones à la main avec PyTorch
Tenseurs, autograd vérifié à la main et boucle d'entraînement complète : un MLP PyTorch sur les traces mémoire, comparé à la régression logistique et au boosting, et trois bugs silencieux mesurés.
-
À venir
-
À venir
-
À venir
-
À venir
-
À venir
-
À venir
-
À venir