DATAGOZ
الكتالوج
المسار التعليمي
الأسعار
تسجيل الدخول
ابدأ مجانًا
Accueil
Cours
Découvrir l’apprentissage supervisé avec scikit-learn
Effectuer des prédictions avec les k plus proches voisins
Chapitre 2 · Découvrir les méthodes de classification · leçon 7 sur 51
متاحة للمشتركين فقط — إليك بدايتها
متابعة هذا الدرس متاحة للمشتركين فقط
أنشئ حسابك المجاني لتجربة التمارين التوضيحية، ثم انتقل إلى الوصول الكامل متى شئت.
أنشئ حسابك المجاني
بدون بطاقة بنكية، في ثلاثين ثانية.
المتابعة باستخدام Google
أو
التسجيل بالبريد الإلكتروني
لديك حساب بالفعل؟
تسجيل الدخول
بمتابعتك، فإنك توافق على
شروط الاستخدام
و
سياسة الخصوصية
. تُستضاف بياناتك داخل الاتحاد الأوروبي.
الوصول الكامل إلى DATAGOZ
19 €
/ شهريًا — أو 190 € / سنويًا
جميع الدورات المنشورة والمسارات المهنية
تمارين واختبارات قصيرة مصحَّحة تلقائيًا
تدريب وامتحان وشهادة متابعة
بدون التزام، ويمكن الإلغاء عبر الإنترنت
عرض الصيغ
هذا الدرس جزء من الدورة
اكتشف التعلم الخاضع للإشراف باستخدام scikit-learn
6 chapitres · 51 leçons
ابدأ الدورة مجاناً
1. رسالة الترحيب
درس واحد
منصة التدريب
مشتركون
2. Découvrir les méthodes de classification
10 leçons
Machine learning avec scikit-learn
abonnés
Classification binaire
abonnés
Étapes clés de l’apprentissage supervisé
abonnés
Relever un problème de classification
abonnés
Ajuster un modèle avec les k plus proches voisins
abonnés
Effectuer des prédictions avec les k plus proches voisins
vous êtes ici
Évaluer les performances du modèle
abonnés
Séparer les données et mesurer la précision
abonnés
Identifier le surajustement et le sous-ajustement
abonnés
Analyser la complexité du modèle
abonnés
3. Découvrir les méthodes de régression
13 leçons
Introduction aux principes de la régression
abonnés
Créer et sélectionner des caractéristiques pertinentes
abonnés
Construire un modèle de régression linéaire
abonnés
Représenter graphiquement un modèle de régression linéaire
abonnés
Assimiler les principes fondamentaux de la régression linéaire
abonnés
Ajuster un modèle et réaliser des prédictions
abonnés
Évaluer les performances d’un modèle de régression
abonnés
Découvrir les principes de la validation croisée
abonnés
Évaluer le coefficient R² par validation croisée
abonnés
Interpréter les indicateurs de validation croisée
abonnés
Améliorer les modèles grâce à la régularisation
abonnés
Appliquer la régularisation Ridge (Crête)
abonnés
Identifier les caractéristiques importantes avec la régression Lasso
abonnés
4. Optimiser et améliorer les performances de votre modèle
10 leçons
Évaluer la fiabilité et la qualité de votre modèle
abonnés
Choisir une métrique d’évaluation adaptée
abonnés
Évaluer un classificateur de prédiction du diabète
abonnés
Découvrir la régression logistique et la courbe ROC
abonnés
Construire un modèle de régression logistique
abonnés
Tracer et interpréter la courbe ROC
abonnés
Mesurer les performances avec l’aire sous la courbe ROC (ROC AUC)
abonnés
Comprendre le réglage des hyperparamètres
abonnés
Optimiser les hyperparamètres avec GridSearchCV
abonnés
Explorer les hyperparamètres avec RandomizedSearchCV
abonnés
5. Préparer les données et construire des pipelines de traitement
16 leçons
Préparer et transformer les données
abonnés
Encoder les variables catégorielles
abonnés
Appliquer la régression aux données catégorielles
abonnés
Gérer les valeurs manquantes
abonnés
Traiter les données incomplètes par suppression
abonnés
Construire un pipeline pour prédire le genre musical (1re partie)
abonnés
Compléter le pipeline de prédiction du genre musical (2e partie)
abonnés
Standardiser les données par centrage et mise à l’échelle
abonnés
Appliquer la standardisation à un modèle de régression
abonnés
Standardiser les données pour la classification
abonnés
Comparer les performances de plusieurs modèles
abonnés
Visualiser les résultats des modèles de régression
abonnés
Effectuer des prédictions sur les données de test
abonnés
Comparer graphiquement les performances des modèles de classification
abonnés
Créer un pipeline pour prédire la popularité des chansons
abonnés
Bilan des acquis du cours
abonnés
6. الخاتمة
1 درس
خاتمة الدورة التدريبية
مشترِكون
الدرس التالي
Évaluer les performances du modèle
عرض البرنامج
أنشئ حسابًا للمتابعة