Optimisation d’un modèle TensorFlow via validation croisée et tuning d’hyperparamètres

Scénario

Contexte : Une entreprise fintech développe un modèle de scoring client avec TensorFlow Keras. Le Problème : Les performances varient fortement selon le split des données et les hyperparamètres choisis empiriquement. Contraintes : Mettre en place une validation croisée adaptée. Tester plusieurs configurations (nombre de couches, unités, learning rate). Comparer les résultats de manière structurée. Éviter toute fuite de données. Livrable attendu : Concevoir un pipeline TensorFlow intégrant validation croisée et recherche d’hyperparamètres, avec comparaison claire des performances.

Compétences ciblées