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
Les modèles de Machine Learning à base d’arbres révèlent des relations non linéaires complexes et dominent souvent les compétitions de Machine Learning. Dans ce cours, vous utiliserez le package tidymodels pour explorer et construire différents modèles à base d’arbres — des arbres de décision simples aux forêts aléatoires plus complexes. Vous apprendrez aussi à utiliser les arbres boostés, une technique puissante de Machine Learning qui exploite l’apprentissage par ensemble pour créer des modèles prédictifs très performants. En chemin, vous travaillerez sur des données de santé et de risque de crédit pour prédire l’incidence du diabète et l’attrition des clients.
Prérequis
Programme de formation
Plan du cours
1
Arbres de classification
Prêt à construire un véritable pipeline de Machine Learning ? Réalisez des exercices guidés pas à pas pour apprendre à créer des arbres de décision, à scinder vos données et à prédire quels patients sont les plus susceptibles de développer un diabète. Pour finir, vous mettrez en place des mesures de performance pour évaluer vos modèles et juger vos prédictions.
- Bienvenue dans le cours !50 XP
- Pourquoi des méthodes à base d’arbres ?100 XP
- Définir cet arbre100 XP
- Entraîner le modèle100 XP
- Comment faire grandir votre arbre50 XP
- Découpage entraînement/test100 XP
- Éviter les déséquilibres de classes100 XP
- De zéro à héros100 XP
- Prédire et évaluer50 XP
- Faire des prédictions100 XP
- Décryptez la matrice100 XP
- Prédisez-vous correctement ?100 XP
2
Arbres de régression et validation croisée
Envie d’un peu de douceur ? Utilisez un jeu de données d’évaluations de chocolats pour construire des arbres de régression et évaluer leurs performances avec des mesures d’erreur adaptées. Vous dépasserez les incertitudes statistiques d’un simple découpage apprentissage/test grâce à des techniques savoureuses comme la validation croisée, puis irez plus loin en maîtrisant le compromis biais-variance.
3
Hyperparamètres et modèles d’ensemble
Il est temps d’aller plus loin avec le réglage de vos hyperparamètres et l’interprétation des courbes ROC (receiver operating characteristic). Dans ce chapitre, vous exploiterez l’intelligence collective avec des modèles d’ensemble comme le bagging ou les forêts aléatoires, et vous construirez des ensembles capables de prévoir quels titulaires de cartes de crédit sont les plus susceptibles de résilier.
4
Arbres boostés
Prêt pour le haut de gamme des modèles à base d’arbres ? Appliquez le gradient boosting pour créer des ensembles puissants surpassant tout ce que vous avez vu ou construit. Apprenez à les ajuster finement et à comparer différents modèles pour choisir le meilleur pour la production.
R
Machine Learning avec des modèles à base d’arbres en R
Cours
terminé
