scikit-learn Tutoriels
scikit-learn propose une approche systématique de l'apprentissage automatique avec Python. Nos tutoriels couvrent divers algorithmes d'apprentissage automatique, la sélection de modèles et les techniques d'évaluation, adaptés aux scientifiques des données débutants et intermédiaires. Avec des laboratoires gratuits et des exemples de code pratiques, vous obtiendrez une expérience concrète dans la construction de modèles d'apprentissage automatique. Notre terrain de jeu en science des données vous permet d'expérimenter avec les fonctions et ensembles de données de scikit-learn en temps réel.
Classification des iris à l'aide de SVM
Dans ce projet, vous allez apprendre à classifier l'ensemble de données iris à l'aide d'un modèle de classifieur à vecteurs de support (SVC). L'ensemble de données iris est un ensemble de données d'apprentissage automatique classique qui contient des informations sur différentes espèces d'iris, y compris leur longueur de sépale, leur largeur de sépale, leur longueur de pétale et leur largeur de pétale.
Pythonscikit-learn
Régression ridge noyau
Dans ce laboratoire, nous allons apprendre à propos de la régression ridge noyau (KRR) et de son implantation à l'aide de la bibliothèque scikit - learn en Python. La KRR combine la régression ridge avec le truc du noyau pour apprendre une fonction linéaire dans l'espace induit par le noyau. C'est une méthode de régression non linéaire qui peut gérer les relations non linéaires entre les variables d'entrée et de sortie.
Machine Learningscikit-learn
Modèles linéaires dans Scikit-Learn
Dans ce laboratoire, nous allons explorer les modèles linéaires dans Scikit-Learn. Les modèles linéaires sont un ensemble de méthodes utilisées pour les tâches de régression et de classification. Ils supposent que la variable cible est une combinaison linéaire des caractéristiques. Ces modèles sont largement utilisés en apprentissage automatique en raison de leur simplicité et de leur interprétabilité.
Machine Learningscikit-learn
Explication des classifieurs d'analyse discriminante
L'analyse discriminante linéaire et quadratique (LDA et QDA) sont deux classifieurs classiques utilisés en apprentissage automatique. LDA utilise une surface de décision linéaire, tandis que QDA utilise une surface de décision quadratique. Ces classifieurs sont populaires car ils ont des solutions analytiques, fonctionnent bien en pratique et n'ont pas d'hyperparamètres à ajuster.
Machine Learningscikit-learn
Explorer les jeux de données et les estimateurs de Scikit-Learn
Dans ce laboratoire, nous explorerons le cadre et l'objet estimateur dans Scikit-Learn, une bibliothèque populaire de machine learning en Python. Nous apprendrons à connaître les jeux de données, représentés sous forme de tableaux 2D, et comment les prétraiter pour Scikit-Learn. Nous explorerons également le concept d'objets estimateurs, utilisés pour apprendre à partir de données et effectuer des prédictions.
Machine Learningscikit-learn
Explorer les classifieurs SGD de Scikit-Learn
Dans ce laboratoire, nous explorerons le Gradient Stochastique (SGD), qui est un algorithme d'optimisation puissant couramment utilisé en apprentissage automatique pour résoudre des problèmes à grande échelle et creux. Nous apprendrons à utiliser les classes SGDClassifier et SGDRegressor de la bibliothèque scikit-learn pour entraîner des classifieurs linéaires et des régresseurs.
Machine Learningscikit-learn
Travailler avec des données textuelles
Dans ce laboratoire, nous allons explorer comment travailler avec des données textuelles à l'aide de scikit-learn, une bibliothèque populaire de machine learning en Python. Nous apprendrons à charger des données textuelles, les prétraiter, extraire des caractéristiques, entraîner un modèle et évaluer ses performances.
Machine Learningscikit-learn
Exploration des méthodes d'ensemble avec Scikit-Learn
Dans ce laboratoire, nous explorerons les méthodes d'ensemble à l'aide de Scikit-Learn. Les méthodes d'ensemble sont des techniques d'apprentissage automatique qui combinent plusieurs modèles pour obtenir une performance meilleure que celle d'un seul modèle. Nous nous concentrerons spécifiquement sur deux méthodes d'ensemble populaires : Bagging et les forêts aléatoires.
Machine Learningscikit-learn
Régression non linéaire avec isotonie
Dans ce laboratoire, nous explorerons la régression isotone à l'aide de scikit-learn. La régression isotone est une technique qui ajuste une fonction non décroissante aux données unidimensionnelles. Elle est utile lorsque vous avez des données qui ne satisfont pas l'hypothèse de linéarité dans un modèle de régression.
Machine Learningscikit-learn
Algorithmes multiclasse et multioutput
Dans ce laboratoire, nous explorerons la fonctionnalité et l'utilisation des algorithmes multiclasse et multioutput dans scikit-learn. La classification multiclasse est une tâche de classification où les échantillons sont assignés à plus de deux classes. La classification multioutput, en revanche, prédit plusieurs propriétés pour chaque échantillon. Nous aborderons les sujets suivants :
Machine Learningscikit-learn
Apprentissage supervisé avec Scikit-Learn
Dans l'apprentissage supervisé, nous souhaitons apprendre la relation entre deux ensembles de données : les données observées X et une variable externe y que nous souhaitons prédire.
Machine Learningscikit-learn
Régression et classification par processus gaussien
Dans ce laboratoire, nous explorerons les processus gaussiens (GP), une méthode d'apprentissage supervisé utilisée pour les problèmes de régression et de classification probabiliste. Les processus gaussiens sont polyvalents et peuvent interpoler des observations, fournir des prédictions probabilistes et gérer différents types de noyaux. Dans ce laboratoire, nous nous concentrerons sur la régression par processus gaussien (GPR) et la classification par processus gaussien (GPC) en utilisant la bibliothèque scikit-learn.
Machine Learningscikit-learn
Classification par arbre de décision avec Scikit-Learn
Dans ce laboratoire, nous allons apprendre à utiliser les arbres de décision pour la classification à l'aide de scikit-learn. Les arbres de décision sont une méthode d'apprentissage supervisé non paramétrique utilisée pour la classification et la régression. Ils sont faciles à comprendre et à interpréter, et peuvent gérer à la fois les données numériques et catégorielles.
Machine Learningscikit-learn
Sélection de modèle : Choix d'estimateurs et de leurs paramètres
En apprentissage automatique, la sélection de modèle est le processus de choix du meilleur modèle pour un ensemble de données donné. Elle consiste à sélectionner l'estimateur approprié et à ajuster ses paramètres pour obtenir une performance optimale. Ce tutoriel vous guidera tout au long du processus de sélection de modèle dans scikit-learn.
Machine Learningscikit-learn
Algorithmes d'apprentissage semi-supervisé
Dans ce laboratoire, nous explorerons le concept d'apprentissage semi-supervisé, qui est un type d'apprentissage automatique où une partie des données d'entraînement est étiquetée et une partie est non étiquetée. Les algorithmes d'apprentissage semi-supervisé peuvent exploiter les données non étiquetées pour améliorer les performances du modèle et généraliser mieux à de nouveaux échantillons. Cela est particulièrement utile lorsque nous disposons d'un faible nombre de données étiquetées mais d'un grand nombre de données non étiquetées.
Machine Learningscikit-learn
Modèles de réseau de neurones
Dans ce laboratoire, nous allons apprendre sur les modèles de réseau de neurones et comment ils peuvent être utilisés dans les tâches d'apprentissage supervisé. Les réseaux de neurones sont un type populaire d'algorithme d'apprentissage automatique qui peuvent apprendre des modèles non linéaires dans les données. Ils sont souvent utilisés pour les tâches de classification et de régression.
Machine Learningscikit-learn
Implémentation du Gradient Stochastique
Le Gradient Stochastique (SGD) est un algorithme d'optimisation populaire utilisé en apprentissage automatique. C'est une variante de l'algorithme de gradient descente qui utilise un sous-ensemble aléatoire des données d'entraînement à chaque itération. Cela le rend efficace en termes de calcul et adapté à la gestion de grands ensembles de données. Dans ce laboratoire, nous allons parcourir les étapes de l'implémentation du SGD en Python à l'aide de scikit-learn.
Machine Learningscikit-learn
Exemple de Naïf Bayésien
Dans ce laboratoire, nous allons étudier un exemple d'utilisation de classifieurs Naïf Bayésien de la bibliothèque scikit - learn en Python. Les classifieurs Naïf Bayésien sont un ensemble d'algorithmes d'apprentissage supervisé couramment utilisés pour les tâches de classification. Ces classifieurs sont basés sur l'application du théorème de Bayes avec l'hypothèse d'indépendance conditionnelle entre chaque paire de caractéristiques étant donné la valeur de la variable de classe.
Machine Learningscikit-learn
- Précédent
- 1
- 2
- 3
- 4
- 5
- 6
- ...
- 15
- Suivant