Prévoir la fréquentation des ateliers est un cours pratique pour les personnes connaissant déjà les bases de pandas et de la régression. Un atelier associatif doit estimer la fréquentation sept jours avant chaque séance afin de préparer le matériel. Vous construirez une analyse répétable utilisant seulement les informations disponibles au bon moment, mesurant de vraies erreurs et comparant un petit modèle à une référence simple.
Deux laboratoires guidés présentent l'échéance de prédiction, le gel de l'entraînement, l'évaluation par dates, le traitement des valeurs manquantes appris sur le seul entraînement et un court Pipeline de régression. Un défi indépendant applique les mêmes mécanismes à une autre saison. Chaque unité possède ses propres données préparées ; fichiers et processus ne passent pas d'un lab à l'autre. Les 165 minutes sont une estimation de l'auteur, lecture et corrections ordinaires comprises, pas un temps mesuré auprès de débutants.
Ce que vous apprendrez
- Distinguer les instantanés de réservations à sept jours des réservations finales et scans postérieurs.
- Figer l'entraînement avant les prédictions ultérieures et réserver des séances ultérieures étiquetées à l'évaluation.
- Ajuster le traitement des valeurs manquantes sur les lignes d'entraînement et le réutiliser sans apprendre de l'ensemble réservé.
- Comparer les prédictions continues à une médiane d'entraînement avec la MAE en personnes.
- Associer valeurs réelles, prédictions et erreurs tracées par identifiant de séance.
- Exporter des prédictions futures sans prétendre connaître les résultats.
À qui s’adresse ce cours
Aux personnes prêtes à transformer une régression de base en une petite démarche de préparation honnête.
Prérequis : Fonctions Python, saisie au terminal, sélection et jointures pandas, régression Scikit-learn de base, séparation entraînement/test et notions initiales de Matplotlib. Choosing Opening Hours from Data est recommandé pour pratiquer l'interprétation des données et de leurs limites.
Environnement d’apprentissage : Un WebIDE dans le navigateur contient les CSV synthétiques originaux, Python, pandas, NumPy, Scikit-learn et Matplotlib. Aucune installation locale ni compte de données externe n'est nécessaire. Programmes, sorties et libellés d'interface restent en anglais.
Questions fréquentes
Le modèle doit-il battre la référence ?
Non. Une comparaison correcte peut montrer qu'il n'apporte rien. L'objectif est une évaluation fidèle, pas un score imposé.
Vais-je régler beaucoup de modèles ?
Non. Vous utilisez une petite démarche d'imputation moyenne et de régression linéaire. Les décisions portent surtout sur ce qui est connu, quand et sur le sens des erreurs.
S'agit-il de prévisions de production ?
Non. Les petits jeux sont du matériel synthétique original. Ils démontrent une démarche reproductible sans établir la fiabilité pour un lieu réel.
