Dans ce cours, vous apprendrez à utiliser scikit-learn pour construire des modèles prédictifs à partir de données. Vous explorerez les concepts de base de l'apprentissage automatique et verrez comment utiliser scikit-learn pour résoudre des problèmes d'apprentissage supervisé et non supervisé. Vous apprendrez également à évaluer les modèles, à ajuster les paramètres et à éviter les pièges courants. Vous travaillerez sur des exemples de problèmes d'apprentissage automatique en utilisant des ensembles de données du monde réel.
🎯 Tâches
Dans ce cours, vous apprendrez :
- Comment utiliser les modèles linéaires, l'analyse discriminante linéaire et quadratique, et les techniques d'apprentissage statistique pour résoudre des problèmes d'apprentissage automatique
- Comment appliquer la régression ridge à noyau, les machines à vecteurs de support et la descente de gradient stochastique pour les tâches d'apprentissage supervisé
- Comment effectuer un apprentissage non supervisé, y compris la recherche de représentations des données
- Comment travailler avec des données textuelles et utiliser les processus gaussiens et les techniques de décomposition croisée
- Comment utiliser le classifieur naïf de Bayes et les arbres de décision pour les tâches de classification
🏆 Réalisations
Après avoir terminé ce cours, vous serez en mesure de :
- Implémenter une variété d'algorithmes d'apprentissage automatique en utilisant scikit-learn
- Évaluer et ajuster les performances de vos modèles
- Appliquer les techniques d'apprentissage automatique appropriées pour résoudre des problèmes du monde réel
- Comprendre les forces et les limites des différentes approches d'apprentissage automatique
