Ce module fait le lien entre la théorie et la pratique en guidant les étudiants dans la construction, à partir de zéro, d’un classificateur à arbre de décision complet à l’aide de l’algorithme ID3. Les étudiants apprennent comment l'algorithme ID3 utilise l'entropie et le gain d'information pour prendre des décisions de division intelligentes, mettent en œuvre l'ensemble du processus de construction récursive de l'arbre, y compris la gestion des nœuds feuilles et la prévention du surapprentissage, et maîtrisent les techniques essentielles d'évaluation des modèles à l'aide de divisions entre données d'entraînement et de test, de matrices de confusion et de validation croisée. Le travaux pratiques met les étudiants au défi de mettre en œuvre leur propre classificateur à arbre de décision ID3 sans recourir à des bibliothèques, de l'entraîner sur un ensemble de données réelles (comme la classification des iris ou des champignons) et d’évaluer ses performances à l’aide de métriques professionnelles— ce qui leur permet à la fois de disposer d’un classificateur fonctionnel et d’acquérir une compréhension approfondie du fonctionnement « en coulisses » de toute bibliothèque d’arbres de décision qu’ils utiliseront à l’avenir.

Ce module permet aux étudiants de mettre en pratique leurs connaissances en matière d'arbres de décision pour créer des systèmes d'apprentissage automatique prêts à l'emploi, en s'attaquant à des défis liés aux données réelles et en utilisant des techniques avancées d'apprentissage par ensemble. Les étudiants apprennent à traiter des attributs numériques continus grâce à la discrétisation basée sur l’entropie, à mettre en œuvre des stratégies pour gérer les données manquantes et à construire des classificateurs de type « forêt aléatoire » qui combinent plusieurs arbres afin d’améliorer considérablement la précision et la robustesse grâce à l’agrégation par bootstrap et à l’aléatoire des caractéristiques. Le module aboutit à l’acquisition de compétences pratiques en matière de déploiement, notamment la sérialisation de modèles à des fins de persistance, la création d’interfaces conviviales pour les prédictions et l’application de pipelines complets d’apprentissage automatique à des problèmes concrets tels que l’évaluation du risque de crédit ou la prédiction de la perte de clientèle. À la fin du module, les étudiants auront développé une application d’apprentissage automatique déployable dotée d’une interface en ligne de commande, comparé les performances d’arbres individuels à celles d’ensembles, et acquis les compétences nécessaires pour intégrer des modèles d’apprentissage automatique dans des applications Java en production.