Understand

Intermédiaire · après NumPy et les bases de la statistique

Machine learning appliqué

Bêta Ce cours est en version bêta. Les leçons, les exercices et les traductions sont encore en cours de relecture et peuvent changer. Signalez tout ce qui vous semble faux avec le bouton de retour.

Appeler .fit() tient en une ligne. Savoir si le résultat veut dire quelque chose, c'est l'objet de ce cours. Vous implémentez les algorithmes essentiels en NumPy pour qu'ils cessent d'être magiques, puis vous utilisez scikit-learn correctement : des pipelines sans fuite de données, une validation fidèle au déploiement, des métriques adaptées aux coûts et des explications dont vous savez énoncer les limites.

Modules
13
Leçons
30
Durée
~33 heures
Projets
2
Commencer

Ce que tu sauras faire

  • Cadrer un problème de prédiction, choisir une métrique à partir du coût des erreurs et établir une référence (baseline)
  • Implémenter et expliquer la régression linéaire et logistique, les arbres et les k-moyennes (k-means)
  • Valider correctement, y compris avec des découpages temporels, et empêcher les fuites de données grâce aux pipelines
  • Choisir des seuils, vérifier la calibration et gérer le déséquilibre des classes
  • Interpréter les modèles, et énoncer les limites des explications et des métriques d'équité
  • Livrer un modèle prédictif reproductible, avec une méthode justifiée

Pour qui

Les personnes qui savent utiliser NumPy et pandas et qui savent ce qu'est un intervalle de confiance, par exemple les diplômés de Data Science & Analytics.

Ce qu'il te faut

Python et NumPy ; moyennes, variance et probabilités de base. L'algèbre linéaire et le calcul différentiel sont enseignés là où ils servent, et tous les chapitres sont ouverts. scikit-learn télécharge plusieurs dizaines de Mo la première fois qu'un exercice l'utilise.

Ce que tu vas construire

  • Prévision de la demande de vélos
  • Projet final de modélisation prédictive

Programme

Les fondationsLes mathématiques et le cadrage. 4 modules · 10 leçons
  1. 1 Penser en tableauxNumPy, formes, vectorisation et l'algèbre linéaire dont l'apprentissage automatique se sert vraiment.
  2. 2 Calcul différentiel et vraisemblanceDes gradients vérifiables, et l'origine des fonctions de perte.
  3. 3 Cadrage et référencesLa plupart des échecs en ML commencent ici.
  4. 4 Apprendre à partir des donnéesModèles, fonctions de perte, descente de gradient, et une évaluation qui ne ment pas.
Les modèlesRégression, classification, arbres, ensembles et voisins. 3 modules · 8 leçons
  1. 5 La régression, dans les règlesForme close, régularisation et hypothèses.
  2. 6 Régression logistique, seuils et calibrationD'abord une probabilité, ensuite une décision.
  3. 7 Arbres, ensembles et voisinsDes modèles non linéaires, des découpages au boosting.
Le métierÉvaluation, variables, apprentissage non supervisé et interprétation. 4 modules · 9 leçons
  1. 8 L'évaluation en profondeurValidation croisée, temps, déséquilibre, et ROC contre PR.
  2. 9 Variables et pipelinesEncodage, imputation et sélection, à l'intérieur du pli.
  3. 10 Apprentissage non supervisék-moyennes, ACP et anomalies, sans étiquette pour vous contrôler.
  4. 11 Interprétation et équitéCe que les explications peuvent dire, et sur qui tombent les erreurs.
La pratique professionnelleRéglage, suivi, documentation, projet final. 2 modules · 3 leçons
  1. 12 Méthode de travail professionnelle en MLRégler sans fuite, suivre les expériences, rédiger des fiches de modèle.
  2. 13 Projet finalUn problème prédictif authentique, du cadrage à la fiche de modèle.