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
Tidymodels est une puissante suite de packages R conçue pour rationaliser les workflows de Machine Learning. Apprenez à fractionner des jeux de données pour la validation croisée, à prétraiter les données avec le package recipes de tidymodels et à ajuster finement des algorithmes de Machine Learning. Vous découvrirez des notions clés comme la définition d’objets de modèle et la création de workflows de modélisation. Ensuite, vous mettrez vos compétences en pratique pour prédire les prix des logements et classer des employés selon leur risque de quitter l’entreprise.
Prérequis
Programme de formation
Plan du cours
1
Machine Learning avec tidymodels
Dans ce chapitre, vous explorerez le riche écosystème de packages R qui propulse tidymodels et verrez comment ils peuvent fluidifier vos workflows de Machine Learning. Vous mettrez ensuite vos compétences en tidymodels à l’épreuve en prédisant les prix de vente des maisons à Seattle, dans l’État de Washington.
- L’écosystème tidymodels50 XP
- Packages tidymodels100 XP
- Créer des jeux de données d’entraînement et de test100 XP
- Répartition des valeurs de la variable cible100 XP
- Régression linéaire avec tidymodels50 XP
- Ajuster un modèle de régression linéaire100 XP
- Explorer les paramètres estimés du modèle50 XP
- Prédire les prix de vente des maisons100 XP
- Évaluer les performances du modèle50 XP
- Mesures de performance du modèle100 XP
- Graphique R squared100 XP
- Processus complet d’ajustement du modèle avec last_fit()100 XP
2
Modèles de classification
Apprenez à prédire des résultats catégoriels en entraînant des modèles de classification. En mobilisant les compétences acquises jusqu’ici, vous prédirez la probabilité que des clients résilient leur service auprès d’un opérateur de télécommunications.
3
Feature engineering
Découvrez comment « baker » des pipelines de feature engineering avec le package recipes. Vous préparerez des données numériques et catégorielles pour aider les algorithmes de Machine Learning à optimiser vos prédictions.
4
Workflows et réglage d’hyperparamètres
Il est maintenant temps de fluidifier le processus de modélisation à l’aide de workflows et d’affiner les modèles avec la validation croisée et le réglage des hyperparamètres. Vous apprendrez à régler un modèle de classification par arbre de décision pour prédire si des clients d’une banque risquent de faire défaut sur leur prêt.
R
Modéliser avec tidymodels en R
Cours
terminé
