L'analyse prédictive repose avant tout sur une décision métier, et non sur un modèle. Ce cours montre comment l'IA peut soutenir ce processus sans se substituer aux décisions fondées sur le jugement humain, garantes de la fiabilité des prévisions. Vous apprendrez à définir la cible, à prévenir les fuites de données, à choisir la méthode de validation, à comparer différentes familles de modèles, à interpréter les résultats et à documenter les risques, afin que vos analyses prédictives soient solides et crédibles dans un contexte professionnel.
Ce cours aborde la place de l'IA dans les flux de travail prédictifs, le choix des cibles et des métriques de prédiction, ainsi que la définition des variables (features) et des étiquettes (labels) sans fuite de données. Il traite également des stratégies de validation, de la sélection de modèles de référence (linéaires, à base d'arbres ou de boosting), de l'interprétation des modèles en évitant les conclusions causales abusives, ainsi que des vérifications relatives à la confidentialité, aux biais, à la responsabilité et à la documentation, nécessaires pour garantir la fiabilité des analyses.