Apprentissage automatique

Faire des prévisions basées sur l'analyse des données

4.6(79)9h 54min52 leçons5 sections

Ce que vous apprendrez

  • Apprendre les bases de l'apprentissage automatique
  • Comprendre les techniques de régression
  • Concevoir des systèmes de recommandation
  • Analyser les données pour extraire des motifs
  • Appliquer des projets pratiques
  • Utiliser Python pour les prévisions

À propos du cours

Commencez votre voyage dans l'apprentissage automatique avec ce cours complet qui couvre tous les aspects essentiels et avancés. Vous apprendrez à construire des modèles d'apprentissage automatique, à appliquer des techniques de régression, de classification et de clustering, et à créer des systèmes de recommandation. Le cours est conçu pour vous fournir des compétences pratiques à travers des projets et un code expliqué étape par étape.

Résultats attendus

  • Capacité à construire des modèles d'apprentissage automatique en utilisant des outils et techniques modernes.
  • Compréhension de l'application des algorithmes d'apprentissage supervisé et non supervisé.
  • Capacité à analyser des données et à les utiliser pour améliorer les performances et les prévisions.
  • Création de systèmes de recommandation personnalisés pour diverses applications pratiques.
  • Développement de projets pratiques qui intègrent l'apprentissage automatique dans votre vie professionnelle.

Avis des apprenants

Ces avis proviennent d'apprenants qui ont acheté le contenu et en ont complété au moins 50% — il n'y a aucun avis de personnes n'ayant pas suivi le contenu.
4.6
★★★★★
79 avis
5★
49
4★
28
3★
2
2★
0
1★
0

    Contenu du cours

    1

    Introduction à l'apprentissage automatique

    4 leçons
    1. Définition de l'apprentissage automatique et ses applications9:33
    2. Classifications de l'apprentissage automatique12:43
    3. Pourquoi le langage Python ?17:06
    4. Installation d'Anaconda2:09
    2

    Apprentissage supervisé - Régression

    15 leçons
    1. Introduction à l'apprentissage supervisé3:41
    2. Qu'est-ce que la régression ?5:13
    3. Régression linéaire simple25:43
    4. Exemple pratique16:17
    5. 1FuelConsumptionCo2
    6. Évaluation du modèle7:06
    7. Mesure de la performance du modèle10:12
    8. Application pratique de la régression linéaire simple33:24
    9. Régression linéaire multiple (Partie Un)6:19
    10. Régression linéaire multiple (Partie Deux)11:31
    11. Application pratique de la régression linéaire multiple27:31
    12. 1china_gdp
    13. Questions sur la régression linéaire multiple9:03
    14. Régression non linéaire (Partie Un)18:01
    15. Régression non linéaire (Partie Deux)29:22
    3

    Apprentissage supervisé - Classification

    17 leçons
    1. Introduction à la classification6:16
    2. Algorithme KNN des voisins les plus proches5:47
    3. Identification et calcul des valeurs9:19
    4. Métriques d'évaluation du modèle18:13
    5. Application pratique de l'algorithme des voisins les plus proches32:45
    6. 1teleCust1000t
    7. Algorithme d'arbre de décision7:28
    8. Construction d'un arbre de décision18:37
    9. Application pratique de l'arbre de décision25:26
    10. 1drug200
    11. Introduction à la régression logistique9:53
    12. Comprendre la phase d'entraînement du modèle11:17
    13. Application pratique de l'arbre de décision et entraînement du modèle20:54
    14. 1ChurnData
    15. Algorithme SVM13:50
    16. Application Pratique SVM28:01
    17. 1cell_samples
    4

    Apprentissage non supervisé - Clustering

    10 leçons
    1. Introduction au clustering7:07
    2. Différence entre le clustering et la classification10:41
    3. Algorithme KM12:47
    4. Mesure de la précision de l'algorithme3:06
    5. Application pratique de l'algorithme19:58
    6. 1cust
    7. Introduction au regroupement hiérarchique9:09
    8. Regroupement hiérarchique et K-Means4:43
    9. Application pratique agglomérative de l'algorithme22:55
    10. 1cars_clus
    5

    Système de recommandation

    6 leçons
    1. Introduction aux systèmes de recommandation5:58
    2. Système basé sur le contenu11:46
    3. Application pratique du contenu21:40
    4. Fichiers de projet
    5. Système basé sur la collaboration11:45
    6. Application pratique sur les systèmes de recommandation

    Formateur

    Ing. Amr Abdel Fattah

    Ing. Amr Abdel Fattah

    Ingénieur en systèmes informatiques spécialisé dans le développement d'applications mobiles et de sites Web, avec une expérience dans la création de plateformes et d'applications Web populaires.
    7,145 étudiants20 cours