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
Dans ce cours, vous allez apprendre à utiliser des classifieurs linéaires, en particulier la régression logistique et les machines à vecteurs de support (SVM), avec scikit-learn. Une fois que vous saurez appliquer ces méthodes, vous explorerez les idées qui les sous-tendent pour comprendre ce qui les fait réellement fonctionner. À la fin du cours, vous saurez entraîner, tester et ajuster ces classifieurs linéaires en Python. Vous disposerez aussi d’une base conceptuelle pour comprendre de nombreux autres algorithmes de Machine Learning.
Prérequis
Programme de formation
Plan du cours
1
Appliquer la régression logistique et les SVM
Dans ce chapitre, vous apprendrez les bases de l’application de la régression logistique et des machines à vecteurs de support (SVM) à des problèmes de classification. Vous utiliserez la bibliothèque
scikit-learn pour ajuster des modèles de classification sur des données réelles.- Rappel sur scikit-learn50 XP
- Classification KNN100 XP
- Comparer des modèles50 XP
- Surapprentissage50 XP
- Appliquer la régression logistique et les SVM50 XP
- Exécuter LogisticRegression et SVC100 XP
- Analyse de sentiment pour des critiques de films100 XP
- Classifieurs linéaires50 XP
- Quelle frontière de décision est linéaire ?50 XP
- Visualiser les frontières de décision100 XP
2
Fonctions de perte
Dans ce chapitre, vous découvrirez le cadre conceptuel qui sous-tend la régression logistique et les SVM. Cela vous permettra d’approfondir leur fonctionnement interne.
3
Régression logistique
Dans ce chapitre, vous étudierez en détail la régression logistique. Vous apprendrez tout sur la régularisation et comment interpréter la sortie du modèle.
4
Machines à vecteurs de support
Dans ce chapitre, vous verrez en détail les machines à vecteurs de support. Vous apprendrez à régler les hyperparamètres de ces modèles et à utiliser des noyaux pour ajuster des frontières de décision non linéaires.
Classifieurs linéaires en Python
Cours
terminé
