Name: sickitlearn
Availability: InStock

Ce que vous apprendrez ?

Ajuster les hyperparamètres d'un modèle de machine learning à l'aide de techniques comme la recherche sur grille ou la recherche aléatoire offerte par scikit-learn.
Construire et évaluer un pipeline de machine learning complet utilisant scikit-learn, incluant l'entraînement, la validation croisée et la prédiction.
Prétraiter des données réelles à l'aide des outils de scikit-learn, incluant la gestion des valeurs manquantes et la transformation des caractéristiques.
Comparer et contraster les performances de différents modèles de machine learning sur un jeu de données donné en utilisant les métriques appropriées de scikit-learn.
Implémenter au moins trois algorithmes de machine learning différents à l'aide de scikit-learn.

Prérequis

Connaissance de base en mathématiques (algèbre linéaire, calcul différentiel et intégral, probabilités et statistiques). Familiarité avec le langage de programmation Python (structures de données, boucles, fonctions). Compréhension des concepts de base de l'apprentissage automatique (supervisé, non supervisé, apprentissage par renforcement). Capacité à utiliser la ligne de commande et les outils de gestion de paquets Python (pip, conda). Familiarité avec les environnements virtuels Python. Connaissance de base des librairies NumPy et Pandas. Aptitude à la résolution de problèmes et à la pensée critique. Capacité à travailler de manière indépendante et en équipe (si applicable). Accès à un ordinateur avec Python et les librairies nécessaires installées. Motivation et engagement à apprendre l'apprentissage automatique.

Contenu de la Formation

Total: 8 Chapitres Total hours: 4

Introduction à Scikit-learn : Installation et premières manipulations
Les modèles de régression linéaire : implémentation et évaluation
Régression logistique et classification binaire
Évaluation des modèles : métriques et techniques de validation

Modèles de classification multi-classes : SVM, Arbres de décision
Techniques de sélection de modèles et optimisation des hyperparamètres
Apprentissage non supervisé : Clustering avec K-means
Prétraitement des données : normalisation, réduction de dimensionnalité

À TÉLÉCHARGER

À propos de l'instructeur

0 Instructor Avis
3 Avis
55 Cours
Voir tous les cours.

Ahmed Zellou

ahmed.zellou@openskillroom.com

Ahmed Zellou Received his Ph.D. degree in Applied Sciences at the Mohammedia School of Engineers, Mohammed V University, Rabat, Morocco and ENSIMAG, Grenoble, France in 2008. He is currently a part-time Professor at Mohammed VI Polytechnic University and full Professor at ENSIAS, Mohamed V University in Rabat, Morocco. His research interests include parallel computing, Data quality, recommender system, indexation, and integration system, where he is the author/co-author of more than a hundred Scopus indexed publications. SKILLS DOMAINS • Data integration systems, complex information systems, Datawarehouse, and Web Semantic. • Modeling: Merise, UML1&2, BPMN. • Procedural and Object-oriented programming: Python, JAVA, C++, PHP. • Web development: HTML, CSS, JS and PHP. • Web Technologies: HTML, XML, PHP, Web Frameworks (Symfony, Laravel, CakePHP, CodeIgniter, Yii and Zend). • Databases, MYSQL, Postgress, Mongodb, ... Publications: ResearchGate : https://www.researchgate.net/profile/Zellou_Ahmed Scopus : https://www.scopus.com/authid/detail.uri?authorId=55644907000 Google Scholar : https://scholar.google.fr/citations?hl=fr&user=CjkVg9UAAAAJ

Voir plus Voir Moins