Ce cours n’est plus maintenu. Découvrez nos derniers cours et labs. N’hésitez pas à nous faire part de vos retours sur Discord .

Laboratoires pratiques d'apprentissage automatique

Ce cours contient de nombreux laboratoires d'apprentissage automatique. Chaque laboratoire est un petit projet d'apprentissage automatique avec des instructions détaillées et des solutions. Vous pouvez pratiquer vos compétences en apprentissage automatique en complétant ces laboratoires, améliorer vos compétences en programmation et apprendre à écrire un code propre et efficace.

PythonScience des données

💡 Ce tutoriel est traduit par l'IA à partir de la version anglaise. Pour voir la version originale, vous pouvez cliquer ici

Programme

Ajustement pour le hasard dans l'évaluation des performances de regroupement

Coming Soon

Calibration de probabilité des classifieurs

Coming Soon

Tracer l'interprétation causale

Coming Soon

Ensemble de chaînes de classifieurs

Coming Soon

Segmentation de monnaies grecques avec le regroupement spectral

Coming Soon

Column Transformer de Scikit-Learn

Coming Soon

Comparaison de l'apprentissage sur variété

Coming Soon

Techniques de validation croisée avec Scikit-Learn

Coming Soon

Comparer les stratégies de réduction de la dimensionalité

Coming Soon

Modèle de mélange gaussien

Coming Soon

Estimation de densité avec des modèles de mélange gaussien

Coming Soon

Modèle mixte gaussien et courbe sinusoidale bruyante

Coming Soon

Intervalles de prédiction pour la régression par gradient boosting

Coming Soon

Régression par gradient boosting

Coming Soon

Désenoiement d'images à l'aide de l'apprentissage de dictionnaire

Coming Soon

Classification inductive avec Scikit-Learn

Coming Soon

Classification binaire des fleurs Iris à l'aide de SVM

Coming Soon

Regroupement K-Means++ avec Scikit-Learn

Coming Soon

Apprentissage semi-supervisé avec Label Spreading

Coming Soon

Chemin de Lasso avec Scikit-Learn

Coming Soon

Vecteurs de support de LinearSVC

Coming Soon

Comprendre la complexité du modèle

Coming Soon

Complétion de visages avec des estimateurs à plusieurs sorties

Coming Soon

Réduction de la dimensionalité avec l'Analyse des Composantes du Voisinage

Coming Soon

Exemple de régression linéaire avec parcimonie

Coming Soon

Variance de la régression linéaire ordinaire (OLS) et de la régression Ridge

Coming Soon

SVM à une classe pour la détection de nouveautés

Coming Soon

Tracé avancé avec dépendance partielle

Coming Soon

Analyse en composantes principales sur l'ensemble de données Iris

Coming Soon

Tracer l'importance de permutation

Coming Soon

Importance de permutation sur l'ensemble de données du cancer du sein

Coming Soon

Interpolation polynomiale et avec des splines

Coming Soon

Latence de prédiction avec des estimateurs de Scikit-Learn

Coming Soon

Estimation de modèle linéaire robuste

Coming Soon

Réglage des paramètres de l'SVM à noyau RBF

Coming Soon

Régression par plus proches voisins

Coming Soon

Exemple de régression 岭 avec Scikit-Learn

Coming Soon

Comparaison des fonctions de perte convexes

Coming Soon

Tracé de la fonction de décision pour un ensemble de données pondéré

Coming Soon

Combiner des prédicteurs en utilisant l'empilement

Coming Soon

Visualisation de la structure du marché boursier

Coming Soon

Classification de données avec le noyau SVM

Coming Soon

Explorer les paramètres du SVM linéaire

Coming Soon

Classification SVM non linéaire

Coming Soon

Visualiser les données à haute dimension avec t-SNE

Coming Soon

Comparer différents encoders catégoriels

Coming Soon

Machine à vecteurs de support avec échantillons pondérés

Coming Soon

Détection de nouveauté et d'anomalies à l'aide de Scikit-Learn

Coming Soon

Réduction de la dimensionalité par projection aléatoire

Coming Soon

Ajustement de courbe avec la régression de Ridge bayésienne

Coming Soon

Classification des plus proches voisins

Coming Soon

Explorer le regroupement K-Means avec Python

Coming Soon

Comparer les méthodes de décomposition croisée

Coming Soon

Tracer la loi a priori de concentration

Coming Soon

Classification SVM à l'aide d'un noyau personnalisé

Coming Soon

Validation croisée sur l'ensemble de données des chiffres

Coming Soon

Agglomération de fonctionnalités pour les données à haute dimension

Coming Soon

Regroupement agglomératif sur l'ensemble de données des chiffres

Coming Soon

Comparaison du test F et de l'information mutuelle

Coming Soon

Quantification vectorielle avec KBinsDiscretizer

Coming Soon

Décompositions de l'ensemble de données de visages

Coming Soon

Classification par processus gaussien sur l'ensemble de données Iris

Coming Soon

Classification par processus gaussien

Coming Soon

Classification par processus gaussien sur l'ensemble de données XOR

Coming Soon

Modélisation prédictive non linéaire utilisant le processus gaussien

Coming Soon

Ajuster un modèle de régression par processus gaussien

Coming Soon

Régression par processus gaussien : noyaux

Coming Soon

Arrêt précoce du gradient boosting

Coming Soon

Séparation des sources cachées

Coming Soon

Analyse en composantes indépendantes avec FastICA et PCA

Coming Soon

Classification des fleurs Iris avec Scikit-learn

Coming Soon

Classifieur SVM sur le jeu de données Iris

Coming Soon

Estimation de la densité de noyau simple en 1D

Coming Soon

Apprentissage actif avec propagation de labels

Coming Soon

Lasso et Elastic Net

Coming Soon

Algorithmes de classification par analyse discriminante

Coming Soon

Regroupement hiérarchique avec Scikit-Learn

Coming Soon

Local Outlier Factor pour la détection de nouveauté

Coming Soon

Détection d'anomalies avec LOF

Coming Soon

Modèle de régression logistique

Coming Soon

Trajectoire de régularisation de la régression logistique L1

Coming Soon

Comparaison d'estimateurs de covariance

Coming Soon

Estimation de covariance robuste et pertinence des distances de Mahalanobis

Coming Soon

Apprentissage à variété sur des données sphériques

Coming Soon

Sélection de caractéristiques conjointe avec Lasso multi-tâches

Coming Soon

Exemple de régression linéaire

Coming Soon

Algorithme de clustering OPTICS

Coming Soon

Analyse en composantes principales

Coming Soon

Tracé d'ensembles de données de classification aléatoires

Coming Soon

Génération d'un ensemble de données à étiquetage multiple avec Scikit-Learn

Coming Soon

Estimation de covariance robuste en Python

Coming Soon

Application de techniques de régularisation avec SGD

Coming Soon

Codage sparse avec dictionnaire pré-calculé

Coming Soon

Régression vectorielle support

Coming Soon

Réduction de la dimension Swiss Roll et Swiss-Hole

Coming Soon

Régression Theil-Sen avec Python Scikit-Learn

Coming Soon

Reconstruction d'image par compression de données

Coming Soon

Régression par arbre de décision

Coming Soon

Régression arborescente à sortie multiple

Coming Soon

Scikit-Learn Libsvm GUI

Coming Soon

PageRank de Wikipédia avec SVD aléatoire

Coming Soon

Régression non linéaire avec isotonie

Coming Soon

Modèles de réseau de neurones

Coming Soon

Modèles mixtes gaussiens

Coming Soon

Apprentissage sur variété avec Scikit-Learn

Coming Soon

Biclustering dans Scikit-Learn

Coming Soon

Découpage des signaux en composantes

Coming Soon

Estimation de la matrice de covariance avec Scikit-Learn

Coming Soon

Estimation de la densité en utilisant la densité à noyau

Coming Soon

Validation croisée en apprentissage automatique avec Python

Coming Soon

Extraction de caractéristiques avec Scikit-Learn

Coming Soon

Imputation des valeurs manquantes

Coming Soon

Techniques d'approximation de noyau dans Scikit-Learn

Coming Soon

Mesures et noyaux entre paires dans Scikit-Learn

Coming Soon

Transformer la cible de prédiction

Coming Soon

Régression par arbre de décision amélioré

Coming Soon

Regroupement par affinité de propagation

Coming Soon

Tracer l'agglomération hiérarchique

Coming Soon

Métriques de regroupement agglomératif

Coming Soon

Dendrogramme de regroupement hiérarchique

Coming Soon

Mise à l'échelle et transformation des données

Coming Soon

Décomposition biais-variance avec bagging

Coming Soon

Comparer Birch et MiniBatchKMeans

Coming Soon

Comparaison des performances de Bisecting K-Means et de K-Means classique

Coming Soon

Comparer les algorithmes de clustering

Coming Soon

Segmentation d'image avec agglomération hiérarchique

Coming Soon

Matrice de confusion de Scikit-Learn

Coming Soon

Estimation de covariance par rétrécissement

Coming Soon

Validation croisée avec des modèles linéaires

Coming Soon

Tracer les patches de visages du dictionnaire

Coming Soon

Reconnaissance de chiffres écrits à la main

Coming Soon

Démonstration des stratégies de KBinsDiscretizer

Coming Soon

Pré-calcul de la matrice de Gram pour ElasticNet

Coming Soon

Estimation de l'erreur hors-bag (OOB) pour les forêts aléatoires

Coming Soon

Importances de pixels avec forêt aléatoire parallèle d'arbres

Coming Soon

Covariances du modèle de mélange gaussien

Coming Soon

Sélection de modèle de mélange gaussien

Coming Soon

Prédictions probabilistes avec la classification par processus gaussien

Coming Soon

Tracer la régression GPR pour le CO2

Coming Soon

Processus gaussiens sur des structures de données discrètes

Coming Soon

Régularisation du Gradient Boosting

Coming Soon

Comparaison de FeatureHasher et DictVectorizer

Coming Soon

Démonstration de l'algorithme de regroupement HDBSCAN

Coming Soon

Tracer Huber vs Ridge

Coming Soon

Analyse en composantes principales incrémentales sur l'ensemble de données Iris

Coming Soon

Classifieur de régression logistique sur l'ensemble de données Iris

Coming Soon

Approximation explicite de la carte de caractéristiques pour les noyaux RBF

Coming Soon

Evaluation empirique de l'initialisation de K-Means

Coming Soon

Apprentissage par propagation d'étiquettes

Coming Soon

Régression Lasso de Scikit-Learn

Coming Soon

Régression logistique étape par étape

Coming Soon

Mapper des données à une distribution normale

Coming Soon

Visualiser les données à haute dimension avec l'analyse en composantes principales multi-dimensionnelles (MDS)

Coming Soon

Algorithme de regroupement Mean-Shift

Coming Soon

Contraintes monotones dans le gradient boosting

Coming Soon

Analyse des Composantes du Voisinage

Coming Soon

Classification par centroïde le plus proche

Coming Soon

Récupération de signal sparse avec la Recherche Orthogonale Itérative

Coming Soon

Tracer l'ACP vs l'ADA

Coming Soon

Classification spectrale pour la segmentation d'images

Coming Soon

Classifieurs semi-supervisés sur l'ensemble de données Iris

Coming Soon

SVM : Hyperplan séparateur à marge maximale

Coming Soon

SVM pour les classes déséquilibrées

Coming Soon

Classifieur multi-classe SGD de Scikit-Learn

Coming Soon

Tracer l'hyperplan séparateur avec SGD

Coming Soon

Estimation de la covariance inverse sparse

Coming Soon

Modélisation de la distribution d'espèces

Coming Soon

Estimation de la densité de noyau des distributions d'espèces

Coming Soon

Règlement des égalités dans l'algorithme SVM

Coming Soon

Modèle de régression Elastic-Net de Scikit-Learn

Coming Soon

Algorithmes d'apprentissage semi-supervisé

Coming Soon

Classification non supervisée avec K-Means

Coming Soon

Techniques de prétraitement dans Scikit-Learn

Coming Soon

Quantification de couleur à l'aide de K-Means

Coming Soon

Comparer GPR et KRR sur un graphique

Coming Soon

Tailler les arbres de décision après entraînement

Coming Soon

Classification de chiffres à l'aide de Scikit-Learn

Coming Soon

Analyse de l'ensemble de données de chiffres

Coming Soon

Discrétisation des caractéristiques continues avec KBinsDiscretizer

Coming Soon

Comparer Random Forest et Histogramme Gradient Boosting

Coming Soon

Tracer les forêts d'iris

Coming Soon

Méthodes d'initialisation des modèles de mélange gaussien

Coming Soon

Tracer la recherche sur grille des chiffres

Coming Soon

Arbres de décision sur l'ensemble de données Iris

Coming Soon

Détection d'anomalies avec l'Isolation Forest

Coming Soon

Régression isotone non paramétrique avec Scikit-Learn

Coming Soon

Explorer le lemme de Johnson-Lindenstrauss avec des projections aléatoires

Coming Soon

Analyse en composantes principales avec la PCA Kernel

Coming Soon

Tracer la régression ridge du noyau

Coming Soon

Explorer les hypothèses de la classification par K-Means

Coming Soon

Analyse de regroupement avec la méthode de silhouette

Coming Soon

Régression de signaux creux avec des modèles basés sur L1

Coming Soon

Analyse discriminante linéaire pour la classification

Coming Soon

Tracer la régression logistique multinomiale et One-vs-Rest

Coming Soon

Comparer K-Means et MiniBatchKMeans

Coming Soon

Scikit-Learn MLPClassifier : Stratégies d'apprentissage stochastique

Coming Soon

Validation croisée imbriquée pour la sélection de modèle

Coming Soon

Régression linéaire non négative

Coming Soon

Détection d'anomalies dans les données sur les vins

Coming Soon

Tracer la sélection de modèles PCA vs FA

Coming Soon

Score de test de permutation pour la classification

Coming Soon

Régression quantile avec Scikit-Learn

Coming Soon

Tracer la régression forestière aléatoire multi-sortie

Coming Soon

Optimisation d'hyperparamètres : Recherche aléatoire vs Recherche en grille

Coming Soon

Élimination Récursive de Caractéristiques

Coming Soon

Régression Ridge pour la modélisation linéaire

Coming Soon

ROC avec validation croisée

Coming Soon

Sélection de fonctionnalités basée sur un modèle et sélection séquentielle

Coming Soon

Comparer les solveurs en ligne pour la classification de chiffres manuscrits

Coming Soon

Algorithme de biclustering spectral

Coming Soon

Algorithme de co-clustering spectral

Coming Soon

Comparaison entre la Recherche en grille et la Décimation successive

Coming Soon

Mise à l'échelle du paramètre de régularisation pour les SVM

Coming Soon

Tracer l'extraction de sujets avec NMF et LDA

Coming Soon

Analyse d'arbre de décision

Coming Soon

Traçage des courbes de validation

Coming Soon

Relever la structure de l'ensemble de données Iris par analyse factorielle

Coming Soon

Probabilités de classes avec VotingClassifier

Coming Soon

Prédiction du diabète en utilisant le Voting Regressor

Coming Soon

Regroupement hiérarchique avec contraintes de connectivité

Coming Soon

Ajustement des hyperparamètres d'un estimateur

Coming Soon

Courbes de validation : Tracer des scores pour évaluer les modèles

Coming Soon

Dépendance partielle et espérance conditionnelle individuelle

Coming Soon

Importance des caractéristiques de permutation

Coming Soon

AdaBoost discret vs réel

Coming Soon

Arbres de décision AdaBoost multi-classe

Coming Soon

Classification avec un arbre de décision simple AdaBoost

Coming Soon

Comparer les régresseurs bayésiens linéaires

Coming Soon

Document Biclustering à l'aide de l'algorithme de co-clustering spectral

Coming Soon

Mise en cache des plus proches voisins

Coming Soon

Calibration des probabilités pour la classification à trois classes

Coming Soon

Tracer la probabilité de classification

Coming Soon

Tracer des prédictions avec la validation croisée

Coming Soon

Algorithme de clustering DBSCAN

Coming Soon

Dénuage d'images avec la PCA Kernel

Coming Soon

Estimation de densité par noyau

Coming Soon

Importance des caractéristiques avec la forêt aléatoire

Coming Soon

Estimations hors-bag pour la Gradient Boosting

Coming Soon

Sélection du modèle Lasso

Coming Soon

Sélection de modèle pour la régression Lasso

Coming Soon

Tracer les courbes d'apprentissage

Coming Soon

Classifier des chiffres manuscrits avec le classifieur MLP

Coming Soon

Optimiser les hyperparamètres du modèle avec GridSearchCV

Coming Soon

Classification de texte en utilisant l'apprentissage hors-mémoire

Coming Soon

Transformation de fonctionnalités par hachage

Coming Soon

Élimination Récursive de Caractéristiques avec Validation Croisée

Coming Soon

Ajustement d'estimateurs linéaires robustes

Coming Soon

Arrêt précoce du Gradient Stochastique

Coming Soon

Tracer Sgdocsvm vs Ocsvm

Coming Soon

Régression logistique multiclasse sparse

Coming Soon

Itérations par division successive

Coming Soon

Transformation des données catégorielles à l'aide de TargetEncoder

Coming Soon

Sous-ajustement et surajustement

Coming Soon

Exploration des méthodes d'ensemble avec Scikit-Learn

Coming Soon

Sélection de fonctionnalités avec Scikit-Learn

Coming Soon

Évaluation de la qualité des modèles d'apprentissage automatique

Coming Soon

Tracer le pipeline des chiffres

Coming Soon

Estimateurs et pipelines de Scikit-Learn

Coming Soon

Transformations de caractéristiques avec des ensembles d'arbres

Coming Soon

Équilibrer la complexité du modèle et le score de validation croisée

Coming Soon

Extraction et évaluation des caractéristiques textuelles

Coming Soon

Classification K-Means sur des chiffres manuscrits

Coming Soon

Régularisation du perceptron multicouche

Coming Soon

Classification de documents multi-étiquette

Coming Soon

Tracer la classification NCA

Coming Soon

Détection d'anomalies à l'aide d'algorithmes Scikit-Learn

Coming Soon

Evaluation de la ROC multiclasse avec Scikit-Learn

Coming Soon

API de visualisation de Scikit-Learn

Coming Soon

Approximation du noyau polynomial avec Scikit-Learn

Coming Soon

Effet du seuil variable pour l'auto-formation

Coming Soon

Régression logistique multinomiale MNIST

Coming Soon

Classification des fleurs iris à l'aide du Voting Classifier

Coming Soon

Voisins les plus proches approximatifs dans TSNE

Coming Soon

Création de visualisations avec des objets d'affichage

Coming Soon

Reconnaissance faciale avec eigenfaces et machines à vecteurs de support (SVM)

Coming Soon

Sélection de caractéristiques univariées

Coming Soon

Construire des pipelines d'apprentissage automatique avec Scikit-Learn

Coming Soon

Concaténer plusieurs méthodes d'extraction de caractéristiques

Coming Soon

Gradient Boosting avec des variables catégorielles

Coming Soon

Rapports de vraisemblance de classe pour mesurer les performances de classification

Coming Soon

Imputer les données manquantes

Coming Soon

Tracer la PCR contre la PLS

Coming Soon

Sélection de caractéristiques pour le SVC sur l'ensemble de données Iris

Coming Soon

Transformation de la cible pour la régression linéaire

Coming Soon

Algorithmes multiclasse et multioutput

Coming Soon

Comparaison d'algorithmes de détection d'anomalies

Coming Soon

Courbes d'étalonnage de probabilité

Coming Soon

Comparaison de l'étalonnage des classifieurs

Coming Soon

Réduction de la dimensionalité avec Pipeline et GridSearchCV

Coming Soon

Courbe de compromis entre les erreurs de détection

Coming Soon

Métrique Précision-Rappel pour la classification déséquilibrée

Coming Soon

Column Transformer avec types mixtes

Coming Soon

Classification de chiffres à l'aide de caractéristiques RBM

Coming Soon

Classification de texte semi-supervisée

Coming Soon

Utilisation de l'API set_output

Coming Soon

Discrétisation des fonctionnalités pour la classification

Coming Soon

Classification de documents texte

Coming Soon

Iterative Imputer de Scikit-Learn

Coming Soon

Apprentissage de variétés sur des chiffres manuscrits

Coming Soon

Construction de pipelines Scikit-Learn

Coming Soon

La mise à l'échelle des fonctionnalités en apprentissage automatique

Coming Soon

Pipelines et estimateurs composites

Coming Soon

Comparaison de classifieurs dans Scikit-Learn

Coming Soon

Introduction

Ce cours de laboratoires pratiques d'HTML est conçu pour vous aider à améliorer vos compétences en HTML grâce à une série d'exercices pratiques et de projets. Que vous soyez un débutant ou un développeur web expérimenté, ce cours propose une approche pratique pour maîtriser les bases de l'HTML.

🎯 Tâches

Dans ce cours, vous apprendrez :

  • Comment structurer des pages web en utilisant des éléments HTML
  • Comment créer une mise en page HTML sémantique et accessible
  • Comment formater le texte, ajouter des images et créer des menus de navigation
  • Comment intégrer des liens, des listes et des tableaux dans vos pages web
  • Comment appliquer les meilleures pratiques pour écrire un code HTML propre et efficace

🏆 Réalisations

Après avoir terminé ce cours, vous serez en mesure de :

  • Créer et structurer avec confiance des pages web basées sur HTML
  • Démontrez une bonne compréhension de la syntaxe et de la sémantique de l'HTML
  • Mettre en œuvre diverses fonctionnalités et éléments HTML pour améliorer la structure et l'apparence des pages web
  • Développer la capacité d'écrire un code HTML propre, bien organisé et facilement maintenable
  • Acquérir une expérience pratique en HTML grâce à la réalisation de laboratoires pratiques

Enseignant

labby
Labby
Labby is the LabEx teacher.

Recommandé pour vous

no data