What you'll learn:
- Les fondamentaux du Machine Learning avec Python
- L'algorithme des k plus proches voisins (k Nearest Neighbors)
- Création et évaluation de la qualité de modèles en tout genre
- Validation croisée holdout et des k-fold
- Régression linéaire
- Régression logistique
- Clustering des k-mean
- Classification simple & multiple
- Réseaux de neurones
Cette formation vous permettra d’acquérir les bases du Machine Learning (apprentissage automatique à partir de données).
Si vous souhaitez créer vos propres modèles de prédiction et de classification en Python avec des algorithmes de Machine Learning et découvrir cette branche de la Data Science, n'hésitez plus et rejoignez cette formation (cf.programme ci-dessous)
Cette formation explique pas à pas les notions compliquées de Machine Learning pour les rendre accessible au plus grand nombre.
Lors de cette formation Machine Learning, apprenez à construire, optimiser puis déployer des modèles prédictifs avec la librairie Python scikit-learn.
La formation se veut progressive et pratique. On décortique étape par étape les mécanismes des algorithmes des k Nearest Neighbors (k plus proches voisins), de la régression linéaire, de la régression logistique et de l’algorithme des k-mean clustering. Une palette assez large et fondamentale du Machine Learning. Vous apprendrez à évaluer la qualité et précision de ces modèles via des métriques d’erreur. La validation croisée et l’optimisation d’hyper paramètres n’auront plus de secrets pour vous.
A chaque vidéo/étape, vous aurez un énoncé et c’est vous qui construisez pas à pas vos compétences en Machine Learning, ce qui nécessite plus de travail que de « simplement » suivre un formateur qui tape du code à l’écran et explique vaguement les concepts.
Devenez acteur de votre apprentissage !
A la fin de cette formation, vous aurez toutes les bases pour comprendre et construire vos propres modèles de Machine Learning plus poussés.
Contenu en quelques chiffres:
- 3 grandes parties de niveau progressif (de débutant à intermédiaire)
- 18 sections clés pour appréhender les algorithmes et techniques de ML
- 7 datasets réels pour entrainer des modèles et faire des prédictions
- Code source inclus
- 3 projets guidés complets (cas réels)
Au programme:
- Création de modèles prédictifs
- k Nearest Neighbors
- Validation croisée holdout et k-fold
- Optimisation des hyper paramètres
- Régression linéaire
- Sélection des caractéristiques
- Gradient Descent
- Régression logistique
- Classification
- K-mean Clustering
- Techniques d'amélioration des modèles
- Réseaux de neurones
A très vite dans la formation !
