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
Développez vos compétences en machine learning avec scikit-learn et découvrez comment utiliser cette bibliothèque Python très répandue pour entraîner des modèles à partir de données étiquetées. Dans ce cours, vous apprendrez à faire des prédictions puissantes, par exemple déterminer si un client risque de résilier, si une personne est atteinte de diabète, ou encore classifier le genre d'une chanson. À partir de jeux de données réels, vous verrez comment construire des modèles prédictifs, ajuster leurs paramètres et évaluer leurs performances sur des données inédites.Les vidéos contiennent des transcriptions en direct que vous pouvez afficher en cliquant sur « Show transcript » en bas à gauche des vidéos.
Le glossaire du cours se trouve à droite, dans la section ressources.Pour obtenir des crédits CPE, vous devez terminer le cours et atteindre un score de 70 % à l'évaluation qualifiante. Vous pouvez accéder à l'évaluation en cliquant sur l'encart des crédits CPE situé à droite.
Prérequis
Programme de formation
Plan du cours
1
Classification
Dans ce chapitre, vous serez initié aux problèmes de classification et apprendrez à les résoudre avec des techniques d'apprentissage supervisé. Vous verrez comment scinder les données en ensembles d'entraînement et de test, ajuster un modèle, faire des prédictions et évaluer la précision. Vous découvrirez le lien entre complexité du modèle et performance, puis appliquerez ces notions à un jeu de données de résiliation client, où vous classerez le statut de résiliation des clients d'un opérateur télécom.
- Machine learning avec scikit-learn50 XP
- Classification binaire50 XP
- Le flux de travail d’apprentissage supervisé100 XP
- Le défi de la classification50 XP
- k voisins les plus proches : ajustement100 XP
- k voisins les plus proches : prédiction100 XP
- Mesurer la performance du modèle50 XP
- Séparation apprentissage/test et calcul de la précision100 XP
- Surajustement et sous-ajustement100 XP
- Visualiser la complexité du modèle100 XP
2
Régression
Dans ce chapitre, vous serez initié à la régression et construirez des modèles pour prédire des ventes à partir d'un jeu de données sur les dépenses publicitaires. Vous apprendrez le fonctionnement de la régression linéaire et des métriques courantes telles que R-carré et l'erreur quadratique moyenne racine. Vous effectuerez une validation croisée en k blocs et appliquerez une régularisation aux modèles de régression pour réduire le risque de surapprentissage.
3
Affiner votre modèle
Après avoir entraîné des modèles, vous apprendrez à les évaluer. Dans ce chapitre, vous découvrirez plusieurs métriques ainsi qu'une technique de visualisation pour analyser les performances des modèles de classification avec scikit-learn. Vous verrez aussi comment optimiser des modèles de classification et de régression grâce au réglage des hyperparamètres.
4
Prétraitement et pipelines
Apprenez à imputer les valeurs manquantes, convertir des données catégorielles en valeurs numériques, mettre les données à l'échelle, évaluer plusieurs modèles d'apprentissage supervisé simultanément et créer des pipelines pour fluidifier votre flux de travail !
Apprentissage supervisé avec scikit-learn
Cours
terminé
