Éditeur : Académie Start-Tech

Prix : 19 $

Durée du cours : 7,5 heures

->

Langue du cours : Anglais

La description

Vous cherchez un complet Cours de modélisation de la classification qui vous apprend tout ce dont vous avez besoin pour créer un modèle de classification en Python, non?

Vous avez trouvé le bon cours de modélisation de classification!

Après avoir terminé ce cours vous pourrez:

• Identifiez le problème commercial qui peut être résolu à l’aide des techniques de modélisation de la classification de l’apprentissage automatique.

• Créez différents modèles de modélisation de classification en Python et comparez leurs performances.

• 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 de base sur l’apprentissage automatique.

Si vous êtes un chef d’entreprise ou un cadre, ou un étudiant qui souhaite 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 les techniques de classification les plus populaires du machine learning, tels que la régression logistique, l’analyse discriminante linéaire et KNN

Pourquoi devriez-vous choisir ce cours?

Ce cours couvre toutes les étapes à suivre pour résoudre un problème commercial à l’aide de techniques de classification.

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 de régression linéaire, qui est le modèle d’apprentissage automatique le plus populaire, pour résoudre des problèmes commerciaux.

Voici le contenu du cours sur la régression linéaire:

• Section 1 – Bases des statistiques

  Cette section est divisée en cinq conférences différentes à partir des types de données puis des types de statistiques

  puis des représentations graphiques pour décrire les données puis une conférence sur les mesures de centre comme moyenne

  médiane et mode et enfin mesures de dispersion comme la plage et l’écart type

• 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 apprendra

  vous comment effectuer certaines opérations de base en Python. Nous comprendrons l’importance de différentes bibliothèques telles que Numpy, Pandas & Seaborn.

• Section 3 – 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 4 – Prétraitement des données

  Dans cette section, vous apprendrez quelles actions vous devez entreprendre étape par étape pour obtenir les données, puis les préparer pour l’analyse, ces étapes sont très importantes.

  Nous commençons par comprendre l’importance de la connaissance métier, puis nous verrons comment faire l’exploration des données. Nous apprenons à faire une analyse univariée et une analyse bivariée, puis nous abordons des sujets comme traitement des valeurs aberrantes et imputation de la valeur manquante.

• Section 5 – Modèles de classification

  Cette section commence par la régression logistique et couvre ensuite l’analyse discriminante linéaire et les voisins K les plus proches.

  Nous avons couvert la théorie de base derrière chaque concept sans être trop mathématique à ce sujet afin que vous

  comprendre d’où vient le concept et en quoi il est important. Mais même si tu ne comprends pas

  ça ira tant que vous apprendrez à exécuter et à interpréter le résultat comme enseigné dans les conférences pratiques.

  Nous examinons également comment quantifier les performances des modèles à l’aide d’une matrice de confusion, comment les variables catégorielles du jeu de données de variables indépendantes sont interprétées dans les résultats, la répartition du train de tests et comment pouvons-nous finalement interpréter le résultat pour trouver la réponse à un problème commercial.

À la fin de ce cours, votre confiance dans la création d’un modèle de classification en Python va monter en flèche. Vous aurez une compréhension approfondie de la façon d’utiliser la modélisation de classification 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 toutes les techniques de classification enseignées dans ce cours?

Dans ce cours, nous apprenons les techniques de classification paramétrique et non paramétrique. L’accent principal sera mis sur les trois techniques suivantes:

1. Régression logistique

2. Analyse discriminante linéaire

3. K – Voisins les plus proches (KNN)

Combien de temps faut-il pour apprendre les techniques de classification de l’apprentissage automatique?

La classification est facile mais personne ne peut déterminer le temps d’apprentissage qu’il faut. Cela dépend totalement de vous. La méthode que nous avons adoptée pour vous aider à apprendre la classification commence par les bases et vous amène à un niveau avancé en quelques heures. Vous pouvez suivre la même chose, mais n’oubliez pas que vous ne pouvez rien apprendre sans le pratiquer. La pratique est le seul moyen de se souvenir de tout ce que vous avez appris. Par conséquent, nous vous avons également fourni un autre ensemble de données sur lequel travailler en tant que projet de classification distinct.

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 Python pour l’apprentissage automatique?

Comprendre Python est l’une des compétences précieuses nécessaires pour une carrière dans le Machine Learning.

Bien qu’il 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. Alors 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.