Éditeur : Académie Start-Tech

Prix : 19 $

Durée du cours : 6 heures

->

Langue du cours : Anglais

La description

Vous cherchez un complet Cours d’arbre de décision qui vous apprend tout ce dont vous avez besoin pour créer un modèle d’arbre de décision / forêt aléatoire / XGBoost dans R, non?

Vous avez trouvé le bon Cours Arbres de décision et techniques avancées basées sur les arbres!

Après avoir terminé ce cours vous pourrez:

• Identifiez le problème commercial qui peut être résolu à l’aide de l’arbre de décision / forêt aléatoire / XGBoost of Machine Learning.

• Avoir une compréhension claire des algorithmes basés sur l’arbre de décision avancé tels que Random Forest, Bagging, AdaBoost et XGBoost

• Créez un modèle basé sur un arbre (arbre de décision, forêt aléatoire, ensachage, AdaBoost et XGBoost) dans R et analysez son résultat.

• Pratiquer, discuter et comprendre les concepts d’apprentissage automatique en toute confiance

Comment ce cours vous aidera-t-il?

UNE Certificat d’achèvement vérifiable est présenté à tous les étudiants qui suivent ce cours avancé d’apprentissage automatique.

Si vous êtes un chef d’entreprise ou un cadre, ou un étudiant qui veut apprendre et appliquer le machine learning dans les problèmes réels du monde des affaires, ce cours vous donnera une base solide pour cela en vous enseignant une partie de la technique avancée du machine learning, qui sont Arbre de décision, Random Forest, Bagging, AdaBoost et XGBoost.

Pourquoi devriez-vous choisir ce cours?

Ce cours couvre toutes les étapes à suivre pour résoudre un problème métier via l’arbre de décision.

La plupart des cours se concentrent uniquement sur l’enseignement de l’exécution de l’analyse, mais nous pensons que ce qui se passe avant et après l’exécution de l’analyse est encore plus important, c’est-à-dire qu’avant l’exécution de l’analyse, il est très important que vous ayez les bonnes données et que vous effectuiez un prétraitement. Et après avoir exécuté l’analyse, vous devriez pouvoir juger de la qualité de votre modèle et interpréter les résultats pour réellement aider votre entreprise.

Qu’est-ce qui nous rend qualifiés pour vous enseigner?

Le cours est dispensé par Abhishek et Pukhraj. En tant que responsables de la société de conseil Global Analytics, nous avons aidé les entreprises à résoudre leurs problèmes commerciaux à l’aide de techniques d’apprentissage automatique et nous avons utilisé notre expérience pour inclure les aspects pratiques de l’analyse des données dans ce cours.

Nous sommes également les créateurs de certains des cours en ligne les plus populaires – avec plus de 150 000 inscriptions et des milliers de critiques 5 étoiles comme celles-ci:

C’est très bien, j’adore le fait que toutes les explications données puissent être comprises par un profane – Joshua

Merci Auteur pour ce merveilleux cours. Vous êtes le meilleur et ce cours vaut n’importe quel prix. – Marguerite

Notre promesse

Enseigner à nos étudiants est notre métier et nous y sommes attachés. Si vous avez des questions sur le contenu du cours, la feuille de pratique ou tout ce qui concerne un sujet, vous pouvez toujours poster une question dans le cours ou nous envoyer un message direct.

Téléchargez des fichiers d’entraînement, prenez des quiz et terminez des devoirs

À chaque cours, vous trouverez des notes de cours à suivre. Vous pouvez également répondre à des quiz pour vérifier votre compréhension des concepts. Chaque section contient une tâche pratique pour mettre en pratique votre apprentissage.

Que couvre ce cours?

Ce cours vous apprend toutes les étapes de la création d’un modèle basé sur un arbre de décision, qui sont parmi les modèles d’apprentissage machine les plus populaires, pour résoudre des problèmes commerciaux.

Voici le contenu du cours:

• Section 1 – Introduction à l’apprentissage automatique

  Dans cette section, nous allons apprendre – Que signifie l’apprentissage automatique? Quelles sont les significations ou les différents termes associés à l’apprentissage automatique? Vous verrez quelques exemples pour comprendre ce qu’est réellement l’apprentissage automatique. Il contient également des étapes impliquées dans la construction d’un modèle d’apprentissage automatique, pas seulement des modèles linéaires, tout modèle d’apprentissage automatique.

• Section 2 – R de base

  Cette section vous aidera à configurer le studio R et R sur votre système et vous expliquera comment effectuer certaines opérations de base dans R.

• Section 3 – Arbres de prétraitement et de décision simple

  Dans cette section, vous apprendrez quelles actions vous devez prendre pour le préparer à l’analyse, ces étapes sont très importantes pour créer un sens.

  Dans cette section, nous commencerons par la théorie de base de l’arbre de décision, puis nous couvrirons des sujets de prétraitement des données comme imputation de valeurs manquantes, transformation de variables et division Test-Train. À la fin, nous allons créer et tracer un arbre de décision de régression simple.

• Section 4 – Arbre de classification simple

  Cette section nous étendra nos connaissances de l’arbre de décision de régression aux arbres de classification, nous apprendrons également à créer un arbre de classification en Python

• Section 5, 6 et 7 – Technique d’ensemble
  Dans cette section, nous allons commencer notre discussion sur les techniques d’ensemble avancées pour les arbres de décision. Les techniques d’ensemble sont utilisées pour améliorer la stabilité et la précision des algorithmes d’apprentissage automatique. Dans ce cours, nous discuterons de Random Forest, Bagging, Gradient Boosting, AdaBoost et XGBoost.

À la fin de ce cours, votre confiance dans la création d’un modèle d’arbre de décision dans R montera en flèche. Vous aurez une compréhension approfondie de la façon d’utiliser la modélisation d’arbre de décision pour créer des modèles prédictifs et résoudre des problèmes commerciaux.

Allez-y et cliquez sur le bouton d’inscription, et je vous verrai dans la leçon 1!

À votre santé

Académie Start-Tech

————

Vous trouverez ci-dessous une liste des questions fréquemment posées par les étudiants qui souhaitent commencer leur parcours d’apprentissage automatique.

Qu’est-ce que l’apprentissage automatique?

L’apprentissage automatique est un domaine de l’informatique qui donne à l’ordinateur la capacité d’apprendre sans être explicitement programmé. Il s’agit d’une branche de l’intelligence artificielle basée sur l’idée que les systèmes peuvent apprendre des données, identifier des modèles et prendre des décisions avec une intervention humaine minimale.

Quelles sont les étapes à suivre pour pouvoir créer un modèle d’apprentissage automatique?

Vous pouvez diviser votre processus d’apprentissage en 3 parties:

Statistiques et probabilités – La mise en œuvre de techniques d’apprentissage automatique nécessite une connaissance de base des statistiques et des concepts de probabilité. La deuxième section du cours couvre cette partie.

Comprendre le Machine Learning – La quatrième section vous aide à comprendre les termes et concepts associés au Machine Learning et vous donne les étapes à suivre pour créer un modèle de Machine Learning

Expérience de programmation – Une partie importante de l’apprentissage automatique est la programmation. Python et R se distinguent clairement pour être les leaders ces derniers jours. La troisième section vous aidera à configurer l’environnement Python et vous apprendra quelques opérations de base. Dans les sections suivantes, il y a une vidéo sur la façon de mettre en œuvre chaque concept enseigné en cours théorique en Python

Compréhension des modèles – Les cinquième et sixième sections couvrent les modèles de classification et avec chaque cours théorique, il y a un cours pratique correspondant où nous exécutons réellement chaque requête avec vous.

Pourquoi utiliser R pour l’apprentissage automatique?

Comprendre R est l’une des compétences précieuses nécessaires pour une carrière dans le Machine Learning. Voici quelques raisons pour lesquelles vous devriez apprendre l’apprentissage automatique en R

1. C’est un langage populaire pour l’apprentissage automatique dans les meilleures entreprises technologiques. Presque tous embauchent des scientifiques des données qui utilisent R. Facebook, par exemple, utilise R pour effectuer une analyse comportementale avec les données des publications des utilisateurs. Google utilise R pour évaluer l’efficacité des annonces et faire des prévisions économiques. Soit dit en passant, ce ne sont pas seulement les entreprises technologiques: R est utilisé dans les cabinets d’analyse et de conseil, les banques et autres institutions financières, les établissements universitaires et les laboratoires de recherche, et à peu près partout ailleurs, les données doivent être analysées et visualisées.

2. L’apprentissage des bases de la science des données est sans doute plus facile dans R. R a un gros avantage: il a été conçu spécifiquement avec la manipulation et l’analyse des données à l’esprit.

3. Des forfaits incroyables qui vous facilitent la vie. Parce que R a été conçu avec une analyse statistique à l’esprit, il possède un écosystème fantastique de packages et d’autres ressources qui sont parfaits pour la science des données.

4. Communauté robuste et croissante de scientifiques et de statisticiens des données. Alors que le domaine de la science des données a explosé, R a explosé avec lui, devenant l’un des langages à la croissance la plus rapide au monde (tel que mesuré par StackOverflow). Cela signifie qu’il est facile de trouver des réponses aux questions et des conseils communautaires lorsque vous progressez dans des projets dans R.

5. Mettez un autre outil dans votre boîte à outils. Aucune langue ne sera le bon outil pour chaque travail. L’ajout de R à votre répertoire facilitera certains projets – et bien sûr, cela fera également de vous un employé plus flexible et plus commercial lorsque vous chercherez des emplois en science des données.

Quelle est la différence entre l’exploration de données, l’apprentissage automatique et l’apprentissage en profondeur?

En termes simples, l’apprentissage automatique et l’exploration de données utilisent les mêmes algorithmes et techniques que l’exploration de données, sauf que les types de prédictions varient. Tandis que l’exploration de données découvre des modèles et des connaissances jusque-là inconnus, l’apprentissage automatique reproduit des modèles et des connaissances connus et applique automatiquement ces informations aux données, à la prise de décision et aux actions.

Le deep learning, quant à lui, utilise une puissance de calcul avancée et des types particuliers de réseaux de neurones et les applique à de grandes quantités de données pour apprendre, comprendre et identifier des schémas complexes. La traduction automatique des langues et les diagnostics médicaux sont des exemples d’apprentissage en profondeur.