Machine Learning avec Python : La formation complète
4.5 (380 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
2,199 students enrolled

Machine Learning avec Python : La formation complète

Apprendre les fondamentaux du Machine Learning en Python pour la Data Science (sur des modèles réels de prédiction)
Bestseller
4.5 (380 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
2,199 students enrolled
Current price: $139.99 Original price: $199.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 14 hours on-demand video
  • 3 articles
  • 43 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • Les fondamentaux du Machine Learning avec Python
  • L'algorithme des k plus proches voisins (k Nearest Neighbors)
  • Création et évaluation de la qualité de modèles en tout genre
  • Validation croisée holdout et des k-fold
  • Régression linéaire
  • Régression logistique
  • Clustering des k-mean
  • Classification simple & multiple
  • Réseaux de neurones
Course content
Expand all 172 lectures 14:02:29
+ Introduction
5 lectures 21:29
Installation Anaconda / Python
01:16
Installation Anaconda (version texte)
00:21
Installation bibliothèques requises dans la formation
02:12
+ Introduction aux K plus proches voisins - k Nearest Neigbors (kNN)
8 lectures 45:42
Introduction au dataset
05:30
Les k plus proches voisins - k Nearest Neighbors
04:06
Distance euclidienne
07:17
Calculer la distance pour toutes les observations
06:08
Randomiser et trier
06:22
Prix moyen
05:11
Fonction pour faire des prédictions
08:31
+ Evaluer la performance du modèle
6 lectures 33:07
Tester la qualité des prédictions
08:44
Les métriques d'erreur
04:17
Erreur quadratique moyenne (MSE)
02:41
Entrainer un autre modèle
06:35
Racine carrée de l'erreur quadratique moyenne (RMSE)
03:05
Comparaison des erreurs
07:45
+ Modèle multivarié des K plus proches voisins
10 lectures 01:09:09
Récapitulatif
03:53
Supprimer des caractéristiques
07:54
Gérer les valeurs manquantes
05:47
Normaliser les colonnes
07:50
Distance Euclidienne pour le cas multivarié
09:19
Introduction à la bibliothèque Scikit-learn
04:59
Entrainer un modèle et faire des prédictions en utilisant Scikit-learn
11:26
Calculer l'erreur quadratique moyenne en utilisant Scikit-learn
04:37
Utiliser plus de caractéristiques
06:42
Utiliser toutes les caractéristiques
06:42
+ Optimisation hyper paramétrique
6 lectures 35:05
Récapitulatif
02:36
Optimisation hyper paramétrique
08:43
Elargir la grille de recherche
02:12
Visualiser les valeurs des hyper paramètres
03:10
Varier les caractéristiques et les hyper paramètres
04:24
Pratiquer le déroulement des opérations (workflow)
14:00
+ Validation croisée
8 lectures 51:05
Introduction
07:13
Validation croisée Holdout
09:28
Validation croisée des K-Fold
05:42
Première itération
05:47
Fonction pour entrainer des modèles
08:59
Exécuter une validation croisée des K-Fold en utilisant Scikit-learn
10:42
Explorer différentes valeurs de K
01:10
Compromis Biais - Variance
02:04
+ Projet guidé 1 : Prédiction de prix de voitures
10 lectures 32:16
Introduction au dataset
03:09
Solution - Introduction au dataset
02:40
Nettoyage de données
02:25
Solution - Nettoyage de données
05:24
Modèle univarié
02:51
Solution - Modèle univarié
07:48
Modèle multivarié
01:57
Solution - Modèle multivarié
02:35
Variation des hyperparamètres
00:35
Solution - Variation des hyperparamètres
02:52
+ Modèle de Régression Linéaire
7 lectures 34:28
Apprentissage basé sur une instance Vs. Apprentissage basé sur un modèle
03:34
Introduction aux données
04:35
Régression linéaire simple
05:14
Méthode des moindres carrés
04:52
Entrainer un modèle de régression linéaire avec Scikit-learn
05:47
Faire des prédictions
05:12
Régression linéaire multiple
05:14
Requirements
  • Avoir des notions en Python est un plus
Description

Cette formation vous permettra d’acquérir les bases du Machine Learning (apprentissage automatique à partir de données).

Si vous souhaitez créer vos propres modèles de prédiction et de classification en Python avec des algorithmes de Machine Learning et découvrir cette branche de la Data Science, n'hésitez plus et rejoignez cette formation (cf. programme ci-dessous)

Cette formation explique pas à pas les notions compliquées de Machine Learning pour les rendre accessible au plus grand nombre.

Lors de cette formation Machine Learning, apprenez à construire, optimiser puis déployer des modèles prédictifs avec la librairie Python scikit-learn.

La formation se veut progressive et pratique. On décortique étape par étape les mécanismes des algorithmes des k Nearest Neighbors (k plus proches voisins), de la régression linéaire, de la régression logistique et de l’algorithme des k-mean clustering. Une palette assez large et fondamentale du Machine Learning. Vous apprendrez à évaluer la qualité et précision de ces modèles via des métriques d’erreur. La validation croisée et l’optimisation d’hyper paramètres n’auront plus de secrets pour vous.


A chaque vidéo/étape, vous aurez un énoncé et c’est vous qui construisez pas à pas vos compétences en Machine Learning, ce qui nécessite plus de travail que de « simplement » suivre un formateur qui tape du code à l’écran et explique vaguement les concepts.
Devenez acteur de votre apprentissage !


A la fin de cette formation, vous aurez toutes les bases pour comprendre et construire vos propres modèles de Machine Learning plus poussés.


Contenu en quelques chiffres:

- 3 grandes parties de niveau progressif (de débutant à intermédiaire)

- 18 sections clés pour appréhender les algorithmes et techniques de ML

- 7 datasets réels pour entrainer des modèles et faire des prédictions

- Code source inclus

- 3 projets guidés complets (cas réels)


Au programme:

- Création de modèles prédictifs

- k Nearest Neighbors

- Validation croisée holdout et k-fold

- Optimisation des hyper paramètres

- Régression linéaire

- Sélection des caractéristiques

- Gradient Descent

- Régression logistique

- Classification

- K-mean Clustering

- Techniques d'amélioration des modèles

- Réseaux de neurones


A très vite dans la formation !



Who this course is for:
  • Toute personne intéressée par la Data science
  • Toute personne souhaitant réaliser et comprendre des algorithmes de Machine Learning
  • Tout personne voulant créer des modèles de prédiction et évaluer leurs performances