Apprentissage automatique

Faire des prévisions basées sur l'analyse des données

Programmation IA et Apprentissage Automatique4.6(80)9h 54min52 leçons5 sections

Ce que vous apprendrez

  • Définir l'apprentissage automatique, ses applications et ses catégories
  • Installer Anaconda et découvrir le langage Python
  • Comprendre la régression linéaire simple et multiple
  • Appliquer la régression non linéaire
  • Évaluer un modèle et mesurer ses performances
  • Classer avec l'algorithme des plus proches voisins et l'arbre de décision
  • Utiliser l'algorithme SVM et la régression logistique
  • Regrouper avec l'algorithme K-means et le regroupement hiérarchique
  • Créer des systèmes de recommandation

À propos du cours

Ce cours enseigne l'apprentissage automatique, Machine Learning, avec le langage Python, c'est-à-dire comment faire apprendre à l'ordinateur à partir de données et faire des prévisions. Vous commencez par une définition de l'apprentissage automatique, ses applications et ses catégories, les raisons d'utiliser Python, puis l'installation d'Anaconda. Ensuite, vous passez à l'apprentissage supervisé et découvrez la régression, la régression linéaire simple et multiple et la régression non linéaire, ainsi que les méthodes d'évaluation d'un modèle et de mesure de ses performances. Vous apprenez ensuite la classification avec l'algorithme des plus proches voisins, l'arbre de décision, la régression logistique et l'algorithme SVM, et le regroupement avec l'algorithme K-means et le regroupement hiérarchique, avant de terminer par les systèmes de recommandation basés sur le contenu et sur la collaboration. Chaque sujet comprend une explication théorique suivie d'une mise en pratique en code sur des fichiers de données prêts à l'emploi. Ce cours convient aux débutants en analyse de données et à toute personne qui veut entrer dans le domaine de l'intelligence artificielle, et il est utile d'avoir une idée simple de la programmation. À la fin, vous saurez construire des modèles d'apprentissage automatique, les évaluer et les utiliser pour faire des prévisions à partir de vos propres données.

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
★★★★★
80 avis
5★
50
4★
28
3★
2
2★
0
1★
0
  • ★★★★★عبدالرحمن ع.·منذ 4 شهرشاهد 100٪

    كورس فوق الممتاز وملم بكل جوانب تعلم الالة وكافية جدا لاي حد حابب يفهم ويدخل المجال

تم عرض كل التقييمات (1)

Contenu du cours

1

Introduction à l'apprentissage automatique

4 leçons
  1. Définition de l'apprentissage automatique et ses applicationsDéfinit le Machine Learning comme une branche de l'informatique où l'ordinateur apprend à partir des données sans programmation explicite, et présente des applications comme les recommandations YouTube, Amazon et Netflix et le filtrage du spam.9:33
  2. Classifications de l'apprentissage automatiqueExplique les trois catégories du machine learning : apprentissage supervisé avec régression et classification, apprentissage non supervisé avec clustering, réduction de dimension et détection d'anomalies, et apprentissage par renforcement comme le Q-Learning.12:43
  3. Pourquoi le langage Python ?Explique pourquoi Python est utilisé en machine learning et présente les bibliothèques NumPy, SciPy, Matplotlib et Pandas, avec leur rôle dans le calcul, la visualisation et la manipulation des données.17:06
  4. Installation d'AnacondaMontre comment télécharger Anaconda depuis son site et l'installer, puis ouvrir Anaconda Navigator et vérifier que l'installation a réussi et que les outils apparaissent.2:09
2

Apprentissage supervisé - Régression

15 leçons
  1. Introduction à l'apprentissage superviséIntroduction à l'apprentissage supervisé, qui apprend à partir d'exemples d'entrées et de sorties, et à ses deux formes, la classification et la régression, avec des exemples et un aperçu de la partie suivante.3:41
  2. Qu'est-ce que la régression ?Définit la régression et sa prédiction d'une valeur continue, distingue variable dépendante et indépendante, et présente ses types, simple et multiple, linéaire et non linéaire, avec un exemple d'émissions de CO2 de voitures.5:13
  3. Régression linéaire simpleExplique la régression linéaire simple à une variable indépendante, la recherche des coefficients theta 0 et theta 1 de la droite en minimisant l'erreur entre valeurs réelles et prédites, avec un calcul manuel pour prédire les émissions de CO2.25:43
  4. Exemple pratiqueExemple pratique de régression linéaire avec Anaconda et Spyder : scikit-learn calcule les coefficients theta 0 et theta 1 et prédit les émissions de CO2 à partir de la taille du moteur.16:17
  5. 1FuelConsumptionCo2
  6. Évaluation du modèleExplique deux façons d'évaluer un modèle de régression, test sur les données d'entraînement ou séparation entraînement/test, avec le calcul de l'erreur et le problème du surapprentissage.7:06
  7. Mesure de la performance du modèleExplique les métriques de performance d'un modèle de régression : erreur absolue moyenne, erreur quadratique moyenne, sa racine, et erreurs absolue et quadratique relatives, avec leurs formules.10:12
  8. Application pratique de la régression linéaire simpleApplication pratique de la régression linéaire simple avec scikit-learn sur des données d'émissions de CO2, séparées en entraînement et test, puis évaluées avec le score R2.33:24
  9. Régression linéaire multiple (Partie Un)Introduction à la régression linéaire multiple, qui utilise plusieurs variables indépendantes pour prédire une variable dépendante, avec des exemples comme les émissions de CO2, la réussite d'un étudiant et la tension artérielle.6:19
  10. Régression linéaire multiple (Partie Deux)Explique l'équation de la régression linéaire multiple et ses coefficients theta, le calcul de l'erreur entre valeur prédite et réelle, et l'objectif de trouver les coefficients qui minimisent cette erreur.11:31
  11. Application pratique de la régression linéaire multipleApplication pratique de la régression linéaire multiple avec scikit-learn sur des données d'émissions de CO2 : séparation entraînement/test, entraînement du modèle puis prédiction.27:31
  12. 1china_gdp
  13. Questions sur la régression linéaire multipleRépond aux questions fréquentes sur la régression linéaire multiple : quand l'utiliser plutôt que la simple, combien de variables indépendantes choisir, comment traiter les valeurs textuelles, et relations linéaires ou non linéaires.9:03
  14. Régression non linéaire (Partie Un)Distingue les équations de régression linéaires et non linéaires et trace en Python des exemples de fonctions linéaire, polynomiale cubique, quadratique et logarithmique avec du bruit aléatoire.18:01
  15. Régression non linéaire (Partie Deux)Applique la régression non linéaire au PIB de la Chine au fil des années, en utilisant une fonction sigmoïde pour modéliser la courbe et ajuster ses paramètres aux données.29:22
3

Apprentissage supervisé - Classification

17 leçons
  1. Introduction à la classificationIntroduction à la classification, un type d'apprentissage supervisé qui construit un modèle affectant les entrées à des classes, comme étiqueter les e-mails en Spam ou Not Spam, les images de chiens et le diagnostic médical.6:16
  2. Algorithme KNN des voisins les plus prochesExplique l'algorithme de classification KNN, les plus proches voisins, qui étiquette un nouveau client selon la classe majoritaire de ses K voisins les plus proches, avec un exemple de services télécoms, et pose les questions du choix de K et de la mesure de similarité.5:47
  3. Identification et calcul des valeursRépond à deux questions sur KNN : comment calculer la distance entre deux cas avec la formule de distance sur leurs caractéristiques, et comment choisir un K adapté en évitant le surapprentissage et le sous-apprentissage grâce à des tests de précision sur des données mises de côté.9:19
  4. Métriques d'évaluation du modèleExplique les métriques d'évaluation d'un modèle sur un jeu de test : exactitude, F1 score, matrice de confusion, précision et rappel, et Log Loss pour les sorties sous forme de probabilités.18:13
  5. Application pratique de l'algorithme des voisins les plus prochesApplication pratique de K plus proches voisins pour classer des clients : séparation entraînement/test, choix du meilleur K par comparaison de la précision et prédiction pour un nouveau client.32:45
  6. 1teleCust1000t
  7. Algorithme d'arbre de décisionPrésente l'arbre de décision comme algorithme de classification, avec nœuds, branches et feuilles illustrés par un exemple patient et médicament, et les étapes de construction par choix des attributs et découpage des données.7:28
  8. Construction d'un arbre de décisionExplique la construction d'un arbre de décision en choisissant l'attribut qui réduit l'impureté, avec l'entropie et le gain d'information pour déterminer la meilleure séparation de chaque nœud.18:37
  9. Application pratique de l'arbre de décisionApplication pratique de l'arbre de décision pour classer des médicaments à partir de données de patients : conversion des valeurs textuelles en nombres, entraînement, test et mesure de la précision.25:26
  10. 1drug200
  11. Introduction à la régression logistiqueIntroduction à la régression logistique, algorithme de classification qui prédit une classe et sa probabilité plutôt qu'un nombre, avec des exemples de problèmes, des cas d'usage et une comparaison avec la régression linéaire.9:53
  12. Comprendre la phase d'entraînement du modèleExplique l'entraînement d'un modèle de régression logistique, de la fonction de coût et de la recherche des meilleurs theta par descente de gradient jusqu'aux étapes d'entraînement, d'évaluation et de prédiction.11:17
  13. Application pratique de l'arbre de décision et entraînement du modèleApplication pratique de la régression logistique sur des données clients d'un opérateur télécom pour prédire la résiliation : choix des variables, séparation des données, calcul des probabilités et mesure de la précision.20:54
  14. 1ChurnData
  15. Algorithme SVMExplique l'algorithme Support Vector Machine pour la classification : transformation des données par fonctions noyau pour les séparer par un plan, recherche du meilleur séparateur grâce aux vecteurs de support, et applications comme les images, le spam et l'analyse de sentiments.13:50
  16. Application Pratique SVMApplication pratique de Support Vector Machine pour classer des tumeurs bénignes et malignes d'après les caractéristiques des cellules : tracé des données, entraînement avec une fonction noyau et test.28:01
  17. 1cell_samples
4

Apprentissage non supervisé - Clustering

10 leçons
  1. Introduction au clusteringIntroduction au Clustering, premier type d'apprentissage non supervisé, et à la façon dont il répartit les données en groupes aux caractéristiques proches, comme la segmentation de clientèle, en posant la question de sa différence avec la classification.7:07
  2. Différence entre le clustering et la classificationClarifie la différence entre Clustering et Classification : le premier est non supervisé sur des données sans étiquettes, le second supervisé sur des données étiquetées, et présente les trois types de clustering.10:41
  3. Algorithme KMExplique l'algorithme de clustering K-Means pour répartir les clients en K groupes : choix de centres aléatoires, calcul des distances, affectation de chaque point au centre le plus proche puis mise à jour des centres, avec une mise en garde sur l'initialisation aléatoire.12:47
  4. Mesure de la précision de l'algorithmeExplique les deux façons de mesurer la précision de K-Means, approche externe et interne, et comment choisir le nombre de clusters K grâce au point du coude (Elbow Point).3:06
  5. Application pratique de l'algorithmeApplication pratique de K-Means pour regrouper des clients : préparation et normalisation des données, entraînement du modèle, attribution d'un cluster à chaque client et tracé 3D des groupes.19:58
  6. 1cust
  7. Introduction au regroupement hiérarchiquePrésente le clustering hiérarchique, divisif et agglomératif, avec un exemple de villes montrant la fusion des groupes selon la plus petite distance et la représentation en dendrogramme.9:09
  8. Regroupement hiérarchique et K-MeansExplique les étapes du clustering agglomératif ascendant et la matrice des distances, ainsi que les mesures de distance entre clusters : liens simple, complet, moyen et centroïde.4:43
  9. Application pratique agglomérative de l'algorithmeApplication pratique du clustering agglomératif pour regrouper des voitures selon leurs caractéristiques : nettoyage des données, matrice des distances et affichage des groupes en dendrogramme.22:55
  10. 1cars_clus
5

Système de recommandation

6 leçons
  1. Introduction aux systèmes de recommandationIntroduction aux systèmes de recommandation et à leur utilité sur des plateformes comme Amazon et Netflix, avec leurs deux types, Content-Based et Collaborative Filtering, et les deux approches d'implémentation, Memory-Based et Model-Based.5:58
  2. Système basé sur le contenuExplique le système de recommandation Content-Based et la façon dont il construit un User Profile à partir des notes et des genres de films vus pour suggérer des films similaires, signale sa limite et introduit le filtrage collaboratif.11:46
  3. Application pratique du contenuConstruction pratique en Python d'un système de recommandation de films basé sur le contenu à partir des fichiers movies, ratings et tags, en convertissant les genres en matrice et en bâtissant un profil utilisateur pour classer les suggestions.21:40
  4. Fichiers de projet
  5. Système basé sur la collaborationExplique le filtrage collaboratif des systèmes de recommandation, basé sur l'utilisateur et sur l'élément, avec un exemple de films où la similarité entre utilisateurs sert à prédire les notes.11:45
  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.
49.1K vues20 cours

Ce cours fait partie du diplôme

Cours similaires