Maîtriser le machine learning avec Python et Scikit-learn

À propos du cours

Les données ne valent rien sans les modèles qui en extraient la valeur. Ce cours vous apprend à les construire, les évaluer et les optimiser.

Prédire le prix d’un bien immobilier, détecter une maladie, segmenter des clients par profil, réduire des centaines de variables en quelques dimensions essentielles — ce sont des problèmes concrets que le Machine Learning résout chaque jour en entreprise. Ce cours vous donne les fondements théoriques et les outils pratiques pour y répondre avec Python et Scikit-Learn.

Du surapprentissage à la validation croisée, de la régression linéaire au clustering, chaque concept est expliqué, formalisé mathématiquement puis immédiatement appliqué sur de vraies données.

Afficher plus

Comprendre le compromis biais-variance et éviter le surapprentissage grâce au train-test split
Construire et interpréter un modèle de régression linéaire multiple avec la méthode des moindres carrés
Classifier des observations avec la régression logistique et interpréter les odd-ratios
Réduire la dimension d'un jeu de données avec l'Analyse en Composantes Principales
Regrouper automatiquement des observations similaires avec l'algorithme K-Means
Évaluer robustement ses modèles avec la validation croisée k-fold et stratifiée
Utiliser les métriques adaptées : MSE, RMSE, R², accuracy, balanced accuracy, matrice de confusion

Contenu du cours

Module 1 : Introduction au Machine Learning

Module 2 : Technique de réduction de dimension : Analyse en composantes principales

Ajoutez-le à votre CV afin de mettre en avant vos compétences et booster vos chances.

Notes et avis de l’apprenant

Encore aucun avis !

Maîtriser le machine learning avec Python et Scikit-learn

À propos du cours

Qu’allez-vous apprendre ?

Contenu du cours

Module 1 : Introduction au Machine Learning

Performance et validation : comprendre le surapprentissage et le train-test split

2 – Régression linéaire : prédire des variables quantitatives

3 – Régression logistique : classer et prédire des variables catégorielles

Quiz

Module 2 : Technique de réduction de dimension : Analyse en composantes principales

1 – Réduction de dimension : l’Analyse en Composantes Principales

2 – Clustering avec l’algorithme K-Means

3 – Validation croisée : évaluer robustement ses modèles

Quiz

Recevez un certificat

Ressources

Liens utiles

Notre écosystème