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 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

Techniques de régression de données non linéaires

Prédiction du prix du Bitcoin

Regroupement basé sur le centroïde

Spectral Clustering and Other Clustering Methods

Techniques de reconnaissance de motifs non linéaires

Sélectionner rapidement des modèles avec la validation croisée

Classification par arbre de décision avec Python

Classification probabiliste avec le Bayésien naïf

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.

Recommandé pour vous

no data