Machine Learning

Intelligence artificielle, Data Science et Machine Learning Types d'apprentissage Machine Learning supervisé Machine Learning non supervisé Cycle de vie d'un projet ML Environnement Python

Rappels Python NumPy Pandas Manipulation des DataFrames Matplotlib Seaborn Exploration des données

Nettoyage des données Valeurs manquantes Données aberrantes Encodage des variables catégorielles Normalisation et standardisation Séparation Train / Test Feature Engineering

Régression linéaire Régression multiple Régression polynomiale Évaluation d'un modèle MAE, MSE, RMSE et R² Projet : prédiction de prix

Régression logistique K-Nearest Neighbors Arbres de décision Random Forest Support Vector Machine Matrice de confusion Accuracy, Precision, Recall et F1-score

Introduction au clustering K-Means Détection de groupes Réduction dimensionnelle Introduction à PCA Analyse des résultats

Cross-validation Overfitting et Underfitting Sélection des caractéristiques Hyperparamètres Grid Search Random Search Optimisation des modèles

Ensemble Learning Gradient Boosting XGBoost : introduction Comparaison des modèles Sélection du meilleur modèle

Définition d'un problème métier Collecte et préparation des données Exploration des données Entraînement des modèles Évaluation Optimisation Interprétation des résultats

Réalisation d'un projet complet de Machine Learning.