Modèle de prédiction

Situation de départ

La volonté de l’enseignant est de permettre aux étudiant-es d’aborder le concept de « Machine Learning » de manière appliquée. Le but est donc que le travail réalisé en cours soit pratique et représentatif du monde actif. Pour ce faire, l’enseignant a créé pour ses étudiant-es un projet de concours en exploration de données (« Data mining competition ») interne au cours. L’exercice s’effectue sur des données réelles issues de compagnies les ayant mises en ligne.

Mise en place et déroulement

Le cours débute par 2 à 3 séances durant lesquelles le concept étudié ainsi que les bases théoriques et pratiques sont définies. L’enseignant propose ensuite de prendre part au concours en utilisant la plateforme Kaggle. Cette plateforme permet à de nombreuses entreprises de mettre à disposition de larges bases de données afin de répondre à une demande précise. Les étudiant-es sont ainsi placé-es dans une situation intermédiaire entre cours et réalité.

Durant les 8 semaines suivantes, les étudiant-es participent par groupe de 2 à cette compétition. En utilisant un échantillon de la base de données mise à disposition, leur objectif est de développer le meilleur modèle de prédiction (« machine learning model ») de comportement du reste des données. Pour ce faire, les groupes peuvent, s’ils le souhaitent, soumettre jusqu’à une proposition de modèle par jour. À chaque proposition soumise, un feedback leur est envoyé leur permettant d’améliorer leur modèle tout en travaillant de manière autonome. La fréquence à laquelle ils participent à cette compétition n’est pas imposée ce qui permet de les responsabiliser.

Parallèlement, les étudiant-es participent à des travaux pratiques organisés par les assistant-es. Durant ces TP, ils/elles réalisent des exercices pratiques et peuvent également poser des questions en lien avec les modèles développés dans le cadre de la compétition.

Une partie de l’évaluation (40%) porte sur le rapport écrit de fin de semestre dans lequel les étudiant-es font part de leur réflexion autour du modèle proposé. Les modèles sont appliqués à toute la base de données et les 3 modèles prédisant le mieux les données sont récompensés par un bonus pour l’examen final. Celui-ci se présente sous forme écrite classique et compte pour 60% de la note finale.

Retour et conseils

Une des difficultés lors de la mise en place de ce projet concerne le choix de la base de données exploitée. Celle-ci ne devant être ni trop simple ni trop complexe. Le risque étant de démotiver ou décourager les étudiant-es.

La mise en place d’un tel projet a apporté beaucoup à son créateur et lui a permis de repenser sa façon d’enseigner en s’impliquant de manière plus directe dans son enseignement en interagissant plus avec les étudiant-es.

D’une part, l’aspect très appliqué et la notion de compétition sont des caractéristiques qui motivent les étudiant-es à prendre part au cours et à se dépasser. D’autre part, ils/elles ont parfois tendance à sous-estimer le temps à investir en dehors des heures de cours et pourraient se sentir submergé-es.

Avis des étudiant·es

*« **Le cours est complet, avec un côté théorique, un côté pratique avec le rapport, et un côté compétition avec le défi sur Kaggle. *»

*« **Le cours est très orienté vers l’application. La structure est également claire. Le concours de données est un moyen très agréable de rendre le processus d’apprentissage plus dynamique. » *

*« *Le concours de données est intéressant et stimulant. » *« *Le concours de données peut détourner l’attention des objectifs réels du cours. » *« *Très bon cours ! Le contenu est exigeant, mais l’enseignant stimule la réflexion et le concours Kaggle est une bonne incitation à faire de la vraie ML ! »

Annexes

• Plateforme Kaggle pour le cours

• Exemple de production étudiante