Fatala Digital House

Programme

Définition du problème: Qu'est-ce que le Machine Learning ?

Introduction au dataset

Les k plus proches voisisns - k Nearest Neighbors

Distance Euclidienne

Calculer la distance pour toutes les observations

Randomiser et Trier

Prix moyen

Fonction pour faire des prédictions

Tester la qualité des prédictions

Les métriques d'erreur

Erreur quadratique moyenne (MSE)

Entraîner un autre modèle

Racine carrée de l'erreur quadratique moyenne (RMSE)

Comparaison des erreurs

Récapitulatif

Supprimer des caractéristiques

Gérer les valeurs manquantes

Normaliser les colonnes

Distance Euclidienne pour le cas multivarié

Introduction à la bibliothèque Scikit-learn

Entrainer un modèle et faire des prédictions en utilisant Scikit-learn

Calculer l'erreur quadratique moyenne en utilisant Scikit-learn

Utiliser plus de caractéristiques

Utiliser toutes les caractéristiques

Récapitulatif

Optimisation hyper paramétrique

Elargir la grille de recherche

Visualiser les valeurs des hyper paramètres

Valider les caractéritiques et les hyper paramètres

Pratiquer le déroulement des opérations (workflow)

Introduction

Validation croisée Holdout

Validation croisée des K-Fold

Première itération

Fonction pour entraîner des modèles

Exécuter une validation croisée des K-Fold en utilisant Scikit-learn

Explorer différentes valeurs de K

Compromis biais-Variance

Introduction au dataset

Solution - Introduction au dataset

Nettoyage de données

Solution - Nettoyage de données

Modèle univarié

Solution - Modèle univarié

Modèle miltivarié

Solution - Modèle multivarié

Variation des hyperparamètres

Solution - Variation des hyperparamètres

Au programme

Apprentissage basé sur une instance Vs Apprentissage basé sur un modèle

Introduction aux données

Régression linéaire simple

Méthode des moindres carrés

Entrainer un modèle de régression linéaire avec Scikit-learn

Faire des prédictions

Régression linéaire multiple

Valeurs manquantes

Corrélation des colonnes de caractéristiques avec la colonne cible

Heatmap de la matrice de corrélation

Entrainer et tester le modèle

Supprimer les caractéristiques de faible variance

Modèle final

Introduction au Gradient Descent

Gradient Descent à un seul paramètre

Dérivée de la fonction de coût d'erreur

Fonction Gradient Descent

Fonction dérivée

Comprendre le gradient descendant pour des paramètres multiples

Gradient de la fonction coût pour plusieurs paramètres

Estimation des moindres carrés ordinaires

La fonction de coût

Dérivée de la fonction de coût

Gradient Descendant vs. Moindres carrés ordinaires

Introduction

Caractéristiques de catégorie

Technique pour gérer les caractéristiques de catégorie: colonnes factices

Transformer des caractéristiques numériques impropres ou inappropriées

Valeurs manquantes

Imputer des valeurs manquantes

Introduction au projet

Solution - Introduction au projet

Traitement des caractéristiques

Solution - Traitement des caractéristiques

Sélection des caractéristiques

Solution - Sélection des caractéristiques

Entrainement et Test

Solution - Entrainement et Test

Programme

Classification

Introduction aux données

Régression logistique

Fonction logistique

Entrainer un modèle de régression logistique

Tracer les probabilités

Prédiction des libellés

Introduction aux données

Précision

Résultats de la classification binaire

Sensibilité

Spécificité

Introduction aux données

Variables Nominales

Classification Multi-Classe

Entrainer un modèle de régression logistique multi-classe

Tester les modèles

Choisir l'origine de la voiture

Introduction aux données

Biais et Variance

Compromis Biais-Variance

Modèles multivariés

Validation croisée

Graphique compromis erreur quadratique moyenne /variance

Aperçu du clustering

Introduction aux données

Explorer les données

Distance entre les Sénateurs

Clustering

Explorer les Clusters

Explorer les Sénateurs présents dans le mauvais Cluster

Tracer les Clusters

Trouver les Sénateurs radicaux

Clustering sur les joueurs de NBA

Les meneurs de Jeu

Points par Match

Ratio Passe décisive - Perte de balle

Visualiser graphiquement ces meneurs de jeu

Clustering des joueurs

L'algorithme Setup K-Means (itératif)

Visualiser les centroïdes

L'algorithme Setup K-Means (la suite)

Etape 1 (Distance Euclidienne)

Etape 1 (la suite)

Visualiser les Clusters

Etape 2

Répéter l'étape 1

Répéter les étapes 1 & 2

Utilisation de la classe KMeans

Introduction aux données

Modèle linéaire

Introduction à la fonction Cost

La fonction Cost (suite)

Fonction Cost - Pentes

Algorithme du Gradient Descent

Introduction aux données

Neurones

Fonction Cost

Calculer les Gradients

Réseau de neurones à 2 couches

Réseaux de neurones

Fonction de coût pour un réseau de neurones multiple

Backpropagation (ou rétropropagation)

Séparation des données

Prédiction sur les fleurs d'iris

Le marché boursier et le dataset

Lire les données

Solution - Lire les données

Générer des indicateurs

Solution - Générer des indicateurs

Séparer les données

Solution - Séparer les données

Faire des prédictions

Solution - Faire des prédictions

Améliorer le modèle

Solution - Améliorer le modèle

MERCI!!