Name: Machine Learning avec caret en R
Rating: 4.891304347826087 (46 reviews)

Description du cours

Le Machine Learning étudie et applique des algorithmes qui apprennent à partir des données et effectuent des prédictions. Des résultats de recherche aux voitures autonomes, il est présent dans tous les aspects de notre vie et constitue l’un des domaines les plus passionnants et à la croissance la plus rapide en science des données. Ce cours présente les grandes idées du Machine Learning : comment construire et évaluer des modèles prédictifs, comment les optimiser pour de meilleures performances, comment prétraiter les données pour des résultats plus fiables, et bien plus encore. Le package R populaire caret, qui fournit une interface homogène vers les fonctionnalités de Machine Learning les plus puissantes de R, est utilisé tout au long du cours.

Prérequis

Introduction to Regression in R

Programme de formation

Plan du cours

Modèles de régression : entraînement et évaluation des performances

Dans ce premier chapitre, vous allez entraîner des modèles de régression avec train() et évaluer leurs performances hors échantillon à l’aide de la validation croisée et de la racine de l’erreur quadratique moyenne (RMSE).

Commencer le chapitre

Modèles de classification : entraînement et évaluation des performances

Dans ce chapitre, vous entraînerez des modèles de classification avec train() et évaluerez leurs performances hors échantillon à l’aide de la validation croisée et de l’aire sous la courbe (AUC).

Commencer le chapitre

Ajustement des hyperparamètres pour améliorer les performances

Dans ce chapitre, vous utiliserez la fonction train() pour ajuster les hyperparamètres des modèles via validation croisée et recherche sur grille.

Commencer le chapitre

Prétraitement des données

Dans ce chapitre, vous vous entraînerez à utiliser train() pour prétraiter les données avant d’entraîner les modèles, afin d’améliorer la précision des prédictions.