LabEx
Rejoindre

Laboratoires pratiques Sklearn

Ce cours contient de nombreux laboratoires pour Sklearn. Chaque laboratoire est un petit projet Sklearn avec des instructions détaillées et des solutions. Vous pouvez pratiquer vos compétences en Sklearn 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

Comparaison de classifieurs dans Scikit-Learn

Classification de documents texte

Discrétisation des fonctionnalités pour la classification

Pipelines et estimateurs composites

La mise à l'échelle des fonctionnalités en apprentissage automatique

Construction de pipelines Scikit-Learn

Iterative Imputer de Scikit-Learn

Apprentissage de variétés sur des chiffres manuscrits

Classification de chiffres à l'aide de caractéristiques RBM

Column Transformer avec types mixtes

Utilisation de l'API set_output

Classification de texte semi-supervisée

Comparaison de l'étalonnage des classifieurs

Courbe de compromis entre les erreurs de détection

Réduction de la dimensionalité avec Pipeline et GridSearchCV

Courbes d'étalonnage de probabilité

Comparaison d'algorithmes de détection d'anomalies

Métrique Précision-Rappel pour la classification déséquilibrée

Sélection de caractéristiques univariées

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

Voisins les plus proches approximatifs dans TSNE

Création de visualisations avec des objets d'affichage

Transformation de la cible pour la régression linéaire

Gradient Boosting avec des variables catégorielles

Construire des pipelines d'apprentissage automatique avec Scikit-Learn

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

Concaténer plusieurs méthodes d'extraction de caractéristiques

Rapports de vraisemblance de classe pour mesurer les performances de classification

Tracer la PCR contre la PLS

Algorithmes multiclasse et multioutput

Imputer les données manquantes

Régression logistique multinomiale MNIST

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

Evaluation de la ROC multiclasse avec Scikit-Learn

Extraction et évaluation des caractéristiques textuelles

Transformations de caractéristiques avec des ensembles d'arbres

Régularisation du perceptron multicouche

Classification K-Means sur des chiffres manuscrits

Approximation du noyau polynomial avec Scikit-Learn

API de visualisation de Scikit-Learn

Classification des fleurs iris à l'aide du Voting Classifier

Tracer la classification NCA

Tracer le pipeline des chiffres

Estimateurs et pipelines de Scikit-Learn

Équilibrer la complexité du modèle et le score de validation croisée

Effet du seuil variable pour l'auto-formation

Classification de documents multi-étiquette

Classification de texte en utilisant l'apprentissage hors-mémoire

Comparer les régresseurs bayésiens linéaires

Sélection du modèle Lasso

Sélection de modèle pour la régression Lasso

Élimination Récursive de Caractéristiques avec Validation Croisée

Sélection de fonctionnalités avec Scikit-Learn

Algorithme de clustering DBSCAN

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

Exploration des méthodes d'ensemble avec Scikit-Learn

Arbres de décision AdaBoost multi-classe

Tracer les courbes d'apprentissage

Transformation des données catégorielles à l'aide de TargetEncoder

Sous-ajustement et surajustement

Classification avec un arbre de décision simple AdaBoost

Tracer des prédictions avec la validation croisée

Ajustement d'estimateurs linéaires robustes

Évaluation de la qualité des modèles d'apprentissage automatique

Mise en cache des plus proches voisins

Optimiser les hyperparamètres du modèle avec GridSearchCV

Estimations hors-bag pour la Gradient Boosting

Dénuage d'images avec la PCA Kernel

Transformation de fonctionnalités par hachage

Tracer la probabilité de classification

Calibration des probabilités pour la classification à trois classes

Importance des caractéristiques avec la forêt aléatoire

AdaBoost discret vs réel

Estimation de densité par noyau

Arrêt précoce du Gradient Stochastique

Tracer Sgdocsvm vs Ocsvm

Régression logistique multiclasse sparse

Itérations par division successive

Classifier des chiffres manuscrits avec le classifieur MLP

Quantification de couleur à l'aide de K-Means

Sélection de fonctionnalités basée sur un modèle et sélection séquentielle

Discrétisation des caractéristiques continues avec KBinsDiscretizer

Élimination Récursive de Caractéristiques

Prédiction du diabète en utilisant le Voting Regressor

Tracer les forêts d'iris

Regroupement hiérarchique avec contraintes de connectivité

Optimisation d'hyperparamètres : Recherche aléatoire vs Recherche en grille

Courbes de validation : Tracer des scores pour évaluer les modèles

Tailler les arbres de décision après entraînement

Régression Ridge pour la modélisation linéaire

Comparer les solveurs en ligne pour la classification de chiffres manuscrits

Analyse d'arbre de décision

Probabilités de classes avec VotingClassifier

Comparer Random Forest et Histogramme Gradient Boosting

Analyse de regroupement avec la méthode de silhouette

Tracer la régression logistique multinomiale et One-vs-Rest

Comparer K-Means et MiniBatchKMeans

Algorithme de biclustering spectral

Algorithme de co-clustering spectral

Importance des caractéristiques de permutation

Arbres de décision sur l'ensemble de données Iris

Validation croisée imbriquée pour la sélection de modèle

Score de test de permutation pour la classification

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

Traçage des courbes de validation

Ajustement des hyperparamètres d'un estimateur

Classification de chiffres à l'aide de Scikit-Learn

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

Tracer l'extraction de sujets avec NMF et LDA

Méthodes d'initialisation des modèles de mélange gaussien

Dépendance partielle et espérance conditionnelle individuelle

ROC avec validation croisée

Régression isotone non paramétrique avec Scikit-Learn

Régression de signaux creux avec des modèles basés sur L1

Régression linéaire non négative

Régression quantile avec Scikit-Learn

Détection d'anomalies dans les données sur les vins

Explorer les hypothèses de la classification par K-Means

Explorer le lemme de Johnson-Lindenstrauss avec des projections aléatoires

Analyse en composantes principales avec la PCA Kernel

Analyse de l'ensemble de données de chiffres

Tracer la recherche sur grille des chiffres

Détection d'anomalies avec l'Isolation Forest

Comparer GPR et KRR sur un graphique

Scikit-Learn MLPClassifier : Stratégies d'apprentissage stochastique

Analyse discriminante linéaire pour la classification

Tracer la régression ridge du noyau

Tracer la régression forestière aléatoire multi-sortie

Comparaison entre la Recherche en grille et la Décimation successive

Tracer la sélection de modèles PCA vs FA

Modélisation de la distribution d'espèces

Mise à l'échelle et transformation des données

Démonstration des stratégies de KBinsDiscretizer

Comparaison de FeatureHasher et DictVectorizer

Pré-calcul de la matrice de Gram pour ElasticNet

Tracer Huber vs Ridge

Régression Lasso de Scikit-Learn

Récupération de signal sparse avec la Recherche Orthogonale Itérative

Tracer l'hyperplan séparateur avec SGD

Régression logistique étape par étape

Evaluation empirique de l'initialisation de K-Means

Analyse des Composantes du Voisinage

Estimation de la densité de noyau des distributions d'espèces

Regroupement par affinité de propagation

Dendrogramme de regroupement hiérarchique

Comparer Birch et MiniBatchKMeans

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

Comparer les algorithmes de clustering

Démonstration de l'algorithme de regroupement HDBSCAN

Algorithme de regroupement Mean-Shift

Classification non supervisée avec K-Means

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

Importances de pixels avec forêt aléatoire parallèle d'arbres

Segmentation d'image avec agglomération hiérarchique

Tracer les patches de visages du dictionnaire

Processus gaussiens sur des structures de données discrètes

Classification spectrale pour la segmentation d'images

Règlement des égalités dans l'algorithme SVM

Tracer la régression GPR pour le CO2

Régression par arbre de décision amélioré

Décomposition biais-variance avec bagging

Modèle de régression Elastic-Net de Scikit-Learn

Tracer l'agglomération hiérarchique

Mapper des données à une distribution normale

Validation croisée avec des modèles linéaires

SVM : Hyperplan séparateur à marge maximale

SVM pour les classes déséquilibrées

Techniques de prétraitement dans Scikit-Learn

Métriques de regroupement agglomératif

Classifieur de régression logistique sur l'ensemble de données Iris

Classifieur multi-classe SGD de Scikit-Learn

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

Estimation de la covariance inverse sparse

Classification par centroïde le plus proche

Prédictions probabilistes avec la classification par processus gaussien

Contraintes monotones dans le gradient boosting

Matrice de confusion de Scikit-Learn

Reconnaissance de chiffres écrits à la main

Régularisation du Gradient Boosting

Apprentissage par propagation d'étiquettes

Algorithmes d'apprentissage semi-supervisé

Techniques de régression de données non linéaires

Prédiction du prix du Bitcoin

Estimation de covariance par rétrécissement

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

Covariances du modèle de mélange gaussien

Sélection de modèle de mélange gaussien

Classifieurs semi-supervisés sur l'ensemble de données Iris

Approximation explicite de la carte de caractéristiques pour les noyaux RBF

Tracer l'ACP vs l'ADA

Apprentissage à variété sur des données sphériques

Décompositions de l'ensemble de données de visages

Tracé d'ensembles de données de classification aléatoires

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

Réduction de la dimension Swiss Roll et Swiss-Hole

Scikit-Learn Libsvm GUI

Quantification vectorielle avec KBinsDiscretizer

Regroupement hiérarchique avec Scikit-Learn

Transformer la cible de prédiction

Agglomération de fonctionnalités pour les données à haute dimension

Extraction de caractéristiques avec Scikit-Learn

Comparaison du test F et de l'information mutuelle

Ajustement de courbe avec la régression de Ridge bayésienne

Lasso et Elastic Net

Modèle de régression logistique

Sélection de caractéristiques conjointe avec Lasso multi-tâches

Application de techniques de régularisation avec SGD

Régression Theil-Sen avec Python Scikit-Learn

Reconstruction d'image par compression de données

Régression par arbre de décision

Régression arborescente à sortie multiple

Estimation de la densité de noyau simple en 1D

Local Outlier Factor pour la détection de nouveauté

Détection d'anomalies avec LOF

Estimation de la densité en utilisant la densité à noyau

Explorer le regroupement K-Means avec Python

Regroupement agglomératif sur l'ensemble de données des chiffres

Algorithme de clustering OPTICS

Biclustering dans Scikit-Learn

Trajectoire de régularisation de la régression logistique L1

Régression vectorielle support

Regroupement basé sur le centroïde

Modèles de réseau de neurones

Classification par processus gaussien sur l'ensemble de données Iris

Classification par processus gaussien

Classification par processus gaussien sur l'ensemble de données XOR

Modélisation prédictive non linéaire utilisant le processus gaussien

Ajuster un modèle de régression par processus gaussien

Régression par processus gaussien : noyaux

Spectral Clustering and Other Clustering Methods

Techniques de reconnaissance de motifs non linéaires

Sélectionner rapidement des modèles avec la validation croisée

Validation croisée sur l'ensemble de données des chiffres

Arrêt précoce du gradient boosting

Validation croisée en apprentissage automatique avec Python

Exemple de régression linéaire

Mesures et noyaux entre paires dans Scikit-Learn

Comparer les méthodes de décomposition croisée

Classification des plus proches voisins

Classification SVM à l'aide d'un noyau personnalisé

Classifieur SVM sur le jeu de données Iris

Imputation des valeurs manquantes

Classification par arbre de décision avec Python

Techniques d'approximation de noyau dans Scikit-Learn

Classification probabiliste avec le Bayésien naïf

Séparation des sources cachées

Analyse en composantes indépendantes avec FastICA et PCA

Classification des fleurs Iris avec Scikit-learn

Analyse en composantes principales

Codage sparse avec dictionnaire pré-calculé

PageRank de Wikipédia avec SVD aléatoire

Découpage des signaux en composantes

Comparaison d'estimateurs de covariance

Estimation de covariance robuste et pertinence des distances de Mahalanobis

Estimation de covariance robuste en Python

Estimation de la matrice de covariance avec Scikit-Learn

Apprentissage sur variété avec Scikit-Learn

Algorithmes de classification par analyse discriminante

Tracer la loi a priori de concentration

Modèles mixtes gaussiens

Régression non linéaire avec isotonie

Apprentissage actif avec propagation de labels

Méthode Bagging et Boosting

Exploration du clustering hiérarchique pour le regroupement

Guide de TensorFlow

Réseau de neurones superficiel implémenté avec TensorFlow 2

Sauvegarde et restauration d'un modèle TensorFlow 2

Entraîner le réseau de neurones de reconnaissance de chiffres manuscrits

Calcul du coefficient de régression ridge

Fondamentals de la régression linéaire

Classification par régression logistique avec Scikit-Learn

Prédiction des prix des logements à Beijing

Clustering basé sur la densité

Compression d'image à l'aide de Mini Batch K Means

Application de la classification basée sur la densité

Algorithme des K plus proches voisins

Régression Ridge et Régression Lasso

Classification du jeu de données d'évaluation de la sécurité des voitures

Perceptron et Réseau de Neurones Artificiel

Introduction

Ce cours de Laboratoires pratiques Sklearn est conçu pour vous aider à maîtriser l'application pratique de la populaire bibliothèque d'apprentissage automatique, Scikit-learn (Sklearn). Grâce à une série de laboratoires soigneusement sélectionnés, vous aurez l'opportunité d'appliquer vos connaissances en Sklearn à des projets du monde réel, affinant vos compétences en programmation et apprenant à écrire un code propre et efficace.

🎯 Tâches

Dans ce cours, vous apprendrez :

  • Comment implémenter une large gamme d'algorithmes Sklearn, y compris les techniques de classification, de régression, de clustering et de réduction de dimensionnalité
  • Comment prétraiter et préparer les données pour les modèles Sklearn
  • Comment ajuster les hyperparamètres des modèles et évaluer les performances des modèles
  • Comment appliquer Sklearn pour résoudre des problèmes pratiques dans des domaines tels que la reconnaissance d'images, le traitement du langage naturel et l'analyse prédictive

🏆 Réalisations

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

  • Appliquer avec confiance Sklearn pour résoudre une variété de problèmes d'apprentissage automatique
  • Développer une compréhension approfondie des fonctionnalités de base de Sklearn et des meilleures pratiques
  • Améliorer vos compétences en programmation en travaillant sur des projets Sklearn pratiques bien conçus
  • Devenir compétent dans l'écriture d'un code basé sur Sklearn propre, efficace et maintenable

Enseignant

labby
Labby
Labby is the LabEx teacher.
Laboratoires pratiques Sklearn
279 labs
Commencer l'apprentissage

Rejoignez notre Discord et apprenez ensemble

Rejoindre maintenant
Essayez le terminal Linux en ligne

Recommandé pour vous

no data