Éditeur : Académie Start-Tech

Prix : 199 $

Durée du cours : 0

->

Langue du cours : Anglais

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 en Python, non?

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

Après avoir terminé ce cours vous serez en mesure de:

• 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) en Python 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 entreprennent 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 l’arbre de décision, la forêt aléatoire, l’ensachage, 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 avant de lancer 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 nous y engageons. 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’exercices, 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 automatique les plus populaires, pour résoudre des problèmes commerciaux.

Voici le contenu de ce cours sur la régression linéaire:

• 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 – Python basique

  Cette section vous permet de démarrer avec Python.

  Cette section vous aidera à configurer l’environnement python et Jupyter sur votre système et vous expliquera comment effectuer certaines opérations de base en Python. Nous comprendrons l’importance de différentes bibliothèques telles que Numpy, Pandas & Seaborn.

• Section 3 – Arbres de prétraitement et de décision simple

  Dans cette section, vous apprendrez quelles mesures 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 aborderons Random Forest, Baggind, Gradient Boosting, AdaBoost et XGBoost.

À la fin de ce cours, votre confiance dans la création d’un modèle d’arbre de décision en Python va monter 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. C’est 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 4 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 ultérieures, il y a une vidéo sur la façon de mettre en œuvre chaque concept enseigné en cours théorique en Python

Compréhension de la modélisation de la régression linéaire – Avoir une bonne connaissance de la régression linéaire vous donne une solide compréhension du fonctionnement de l’apprentissage automatique. Même si la régression linéaire est la technique la plus simple de l’apprentissage automatique, elle est toujours la plus populaire avec une assez bonne capacité de prédiction. La cinquième et la sixième section couvrent le sujet de la régression linéaire de bout en bout et avec chaque conférence théorique, une conférence pratique correspondante nous permet d’exécuter chaque requête avec vous.

Pourquoi utiliser Python pour le Data Machine Learning?

Comprendre Python est l’une des compétences précieuses nécessaires pour une carrière dans l’apprentissage automatique.

Bien que cela n’ait pas toujours été le cas, Python est le langage de programmation de choix pour la science des données. Voici un bref historique:

En 2016, il a dépassé R sur Kaggle, la première plateforme de concours de science des données.

En 2017, il a dépassé R dans le sondage annuel de KDNuggets sur les outils les plus utilisés par les scientifiques des données.

En 2018, 66% des scientifiques des données ont déclaré utiliser Python quotidiennement, ce qui en fait l’outil numéro un pour les professionnels de l’analyse.

Les experts du Machine Learning s’attendent à ce que cette tendance se poursuive avec un développement croissant de l’écosystème Python. Et même si votre voyage pour apprendre la programmation Python ne fait que commencer, il est agréable de savoir que les opportunités d’emploi sont également abondantes (et en croissance).

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.