Apprenez comment la régression supervisée transforme des données étiquetées en prédictions numériques dans sept notebooks Jupyter. Vous passerez de la définition de l’apprentissage supervisé aux moindres carrés, aux caractéristiques polynomiales, à la comparaison par erreur et aux régularisations Ridge et LASSO.
Le cours associe dérivations, Python et scikit-learn. Des exemples sur le logement, les vaccins, Bitcoin et des matrices synthétiques permettent d’ajuster des courbes, évaluer les prédictions, repérer une complexité nuisible et comprendre l’effet de la régularisation sur les coefficients.
Ce que vous apprendrez
- Distinguer apprentissage supervisé, régression et classification
- Dériver les moindres carrés et implémenter une régression avec NumPy
- Ajuster des modèles linéaires aux logements de Boston et Pékin
- Évaluer les prédictions immobilières et examiner les coefficients
- Créer des variables polynomiales, comparer les ajustements et choisir un degré par l’erreur
- Ajuster des données Bitcoin historiques par polynômes de degré trois et supérieur
- Expliquer les moindres carrés mal conditionnés et comparer Ridge et LASSO
- Calculer directement les coefficients Ridge et les comparer à scikit-learn
À qui s’adresse ce cours
Ce cours s’adresse aux apprenants Python qui veulent comprendre la mécanique de la régression plutôt que considérer les estimateurs comme des boîtes noires. Il convient pour relier formules, matrices, graphiques et API en début d’apprentissage supervisé. Les dérivations et exercices exigent davantage qu’un tout premier niveau Python.
Prérequis : Python, NumPy, Pandas, tracés, algèbre et opérations matricielles simples sont recommandés. La connaissance des données train/test et des fonctions aide ; aucune expérience de régression n’est requise.
Environnement d’apprentissage : Les sept activités utilisent un environnement Jupyter Ubuntu 22.04 fourni avec explications, visualisations, données, exemples et code à compléter.
Questions fréquentes
Le cours dérive-t-il les formules ou utilise-t-il seulement scikit-learn ?
Les deux. Vous calculez moindres carrés et coefficients Ridge, implémentez des étapes avec NumPy et SciPy, puis comparez aux modèles scikit-learn.
Quels exemples de prédiction sont inclus ?
Logements de Boston et Pékin, données vaccinales pour les polynômes, Bitcoin historique et matrice de Hilbert illustrant l’instabilité des moindres carrés.
Comment les modèles sont-ils évalués ?
Les notebooks utilisent données réservées, comparaisons visuelles, erreur absolue moyenne et erreur quadratique moyenne. Plusieurs degrés montrent l’effet de la complexité.
Le laboratoire Bitcoin prédit-il les prix actuels ou donne-t-il des conseils financiers ?
Non. Il ajuste des courbes à des données historiques 2010–2018 pour pratiquer la régression. Ce n’est ni un système en direct ni un outil d’investissement.
