Renforcez votre capacité à résoudre des problèmes avec scikit-learn grâce à sept défis intermédiaires de complétion de code. Chaque défi fournit des fichiers de départ et des exigences TODO concrètes, puis vous demande d’implémenter des fonctions d’entraînement, d’évaluation, de réglage, d’interprétation ou de visualisation.
Les 20 étapes couvrent apprentissage supervisé et non supervisé : métriques, Naive Bayes, K plus proches voisins, courbes de validation, arbres, régression linéaire et régularisée et trois méthodes de clustering. Chaque tâche possède une vérification automatique et une solution de référence.
Ce que vous apprendrez
- Évaluer la classification avec exactitude, précision, rappel et F1, et la régression avec MSE, MAE, RMSE et R²
- Créer un scorer personnalisé et utiliser un pipeline SVR standardisé avec recherche par grille
- Entraîner Gaussian Naive Bayes sur Iris, mettre les caractéristiques à l’échelle, comparer Gaussian, Multinomial et Bernoulli et produire une matrice de confusion
- Séparer Iris, entraîner KNN, évaluer les prédictions et rechercher une meilleure valeur de
k - Générer des courbes pour
max_depth, choisir une profondeur par validation croisée, réentraîner et tester un arbre - Préparer Iris avec pandas, ajuster
DecisionTreeClassifieret résumer précision, rappel et F1 - Ajuster une régression linéaire aux CSV fournis, calculer les métriques et comparer Ridge et Lasso par validation croisée
- Appliquer K-means, le clustering agglomératif et DBSCAN à Iris, comparer les scores silhouette et visualiser les groupes
À qui s’adresse ce cours
Ce cours s’adresse aux apprenants Python et scikit-learn qui ont terminé des exercices d’introduction aux modèles et souhaitent pratiquer une implémentation plus autonome. Il faut pouvoir lire le code de départ, compléter des fonctions, interpréter les exigences et déboguer les vérifications en échec.
Prérequis : La connaissance de Python, des structures NumPy ou pandas, des séparations entraînement/test, de fit et predict et des bases de classification et régression est recommandée. Les défis n’enseignent pas la syntaxe Python à partir de zéro.
Environnement d’apprentissage : Les sept défis s’exécutent dans un WebIDE Ubuntu 22.04. Ils contiennent 20 tâches intermédiaires, chacune avec vérification automatique et solution de référence. Six environnements imposent scikit-learn 1.2.2 ; celui des métriques impose 1.1.3 et NumPy inférieur à 2 pour les exercices historiques Boston Housing.
Questions fréquentes
Conviennent-ils comme première introduction à scikit-learn ?
Pas idéalement. Malgré l’étiquette débutant du cours, les sept défis sont individuellement intermédiaires et commencent avec du code orienté TODO. Suivez d’abord des bases guidées si fit, predict, les métriques et les séparations de données sont nouveaux.
Quel niveau de guidage et de retour est fourni ?
Chaque tâche décrit les fonctions ou sorties requises et fournit des fichiers de départ, mais vous implémentez la logique manquante. Chacune des 20 étapes possède une vérification automatique et une solution de référence.
Quels jeux de données sont utilisés ?
Plusieurs défis réutilisent Iris. Les métriques emploient aussi Breast Cancer et l’ancien Boston Housing, tandis que la régression linéaire fournit ses propres CSV. Il s’agit d’une pratique ciblée des algorithmes, pas d’un panorama de grands jeux de production.
Le code fonctionnera-t-il sans modification avec la dernière version ?
Pas entièrement. Le défi des métriques installe volontairement scikit-learn 1.1.3 car il importe le chargeur Boston Housing supprimé ensuite ; les autres imposent 1.2.2. Considérez cet exercice comme propre à une version et utilisez un jeu actuellement pris en charge dans un projet moderne.
