Apprentissage Automatique Supervisé

4.9+

7 avis

Intermediate

Learn the Machine Learning concepts and the ML project workflow.

Preprocessing is probably the most important stage of an ML project. This chapter covers the preprocessing steps needed for almost any dataset.

A pipeline is a neat way to combine all the preprocessing steps as well as a model. Pipelines make it much easier to train and use a model.

Modeling is the most fun stage of an ML project. Let's learn to build, fine-tune and evaluate the model!

Commençons par le modèle de régression linéaire le plus simple ! Vous apprendrez l'idée derrière la régression linéaire et comment faire des prédictions en Python.

La plupart des tâches de prédiction dans le monde réel impliquent plus d'une caractéristique. Vous apprendrez à gérer la régression linéaire avec plusieurs caractéristiques.

Une ligne droite ne décrit pas toujours bien les données. Apprenons à construire un modèle plus complexe pour la prédiction ! C'est pour cela que la régression polynomiale est adaptée.

Maintenant que vous savez comment construire de nombreux modèles de régression linéaire, vous avez besoin d'un moyen pour choisir le meilleur. Cela est réalisable en utilisant des métriques. Cette section explique les plus utilisées et les difficultés que vous pouvez rencontrer en les utilisant.

Qu'est-ce qu'un ensemble ? En quoi les ensembles diffèrent-ils des modèles d'apprentissage automatique standard ? Quels sont les types d'ensembles ? Considérons les réponses à ces questions.

Considérons certains modèles d'ensemble de bagging couramment utilisés, les caractéristiques de leur utilisation, et appliquons également certains d'entre eux pour résoudre des tâches réelles.

Le mécanisme de fonctionnement des modèles de boosting diffère de celui des modèles de bagging. Nous allons maintenant explorer ces distinctions, acquérir des connaissances sur l'utilisation du boosting de modèles pour résoudre des problèmes, et illustrer son fonctionnement à travers des démonstrations pratiques.

Considérons certains modèles d'ensemble de stacking couramment utilisés, les caractéristiques de leur utilisation, et appliquons également certains d'entre eux pour résoudre des tâches réelles.

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.