Mise en place d'un modèle d'apprentissage supervisé (régression) pour prévoir les consommations de bâtiments de la ville de Seattle Création d'un pipeline de nettoyage des données Entraînement de différents algorithmes de machine learning (XGBoost, Random Forest Regressor) Optimisation des hyperparamètres Recherche d'importance des features Mise en place d'un modèle d'ensemble Mise en place d'une fonction de préparation des données et prédiction de consommation et émissions de C02. Source des données : https://www.kaggle.com/city-of-seattle/sea-building-energy-benchmarking#2015-building-energy-benchmarking.csv

Transformer les variables pertinentes d'un modèle d'apprentissage supervisé Adapter les hyperparamètres d'un algorithme d'apprentissage supervisé afin de l'améliorer Évaluer les performances d’un modèle d'apprentissage supervisé Mettre en place le modèle d'apprentissage supervisé adapté au problème métier