Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Poursuivez votre parcours en Machine Learning en explorant le formidable univers des méthodes d’apprentissage par ensemble ! Il s’agit d’une famille passionnante de techniques de Machine Learning qui combinent plusieurs algorithmes pour améliorer les performances et résoudre à grande échelle des problèmes complexes dans de nombreux secteurs. Les techniques d’ensemble remportent d’ailleurs régulièrement des compétitions en ligne de Machine Learning !
Dans ce cours, vous découvrirez des techniques d’ensemble avancées comme le bagging, le boosting et le stacking. Vous les appliquerez à des jeux de données réels à l’aide de bibliothèques Python de pointe pour le Machine Learning, telles que scikit-learn, XGBoost, CatBoost et mlxtend.
Prérequis
Programme de formation
Plan du cours
1
Combiner plusieurs modèles
Avez-vous du mal à déterminer lequel des modèles que vous avez construits est le meilleur pour votre problème ? Ne vous obstinez pas : utilisez-les tous ! Dans ce chapitre, vous apprendrez à combiner plusieurs modèles en un seul grâce au « Voting » et à l’« Averaging ». Vous les utiliserez pour prédire les notes d’apps sur le Google Play Store, déterminer si un Pokémon est légendaire, et identifier quels personnages vont mourir dans Game of Thrones !
- Introduction aux méthodes d’ensemble50 XP
- Explorer les données des applications Google50 XP
- Prédire la note d’une application100 XP
- Vote50 XP
- Choisir le meilleur modèle100 XP
- Construire votre premier ensemble100 XP
- Évaluer votre ensemble100 XP
- Moyennage50 XP
- Voyage à Westeros50 XP
- Prédire les décès dans GoT100 XP
- Vote souple vs. vote dur100 XP
2
Bagging
Le bagging est la méthode d’ensemble qui se cache derrière des algorithmes de Machine Learning puissants comme les forêts aléatoires. Dans ce chapitre, vous verrez la théorie de cette technique et construirez vos propres modèles de bagging avec scikit-learn.
3
Boosting
Le boosting est une famille d’algorithmes d’ensemble qui inclut des modèles primés comme AdaBoost. Dans ce chapitre, vous étudierez ce modèle récompensé et l’utiliserez pour prédire les recettes de films primés ! Vous découvrirez aussi des algorithmes de gradient boosting comme CatBoost et XGBoost.
4
Stacking
Prêt à voir comment tout s’empile ? Dans ce dernier chapitre, vous découvrirez la méthode d’ensemble appelée stacking. Vous apprendrez à l’implémenter avec scikit-learn ainsi qu’avec la bibliothèque mlxtend ! Vous appliquerez le stacking pour prédire la comestibilité des champignons nord-américains et vous reviendrez aux notes des apps Google avec cette approche plus avancée.
Méthodes d’ensemble en Python
Cours
terminé
