Mr. Mint : Apprendre Le Machine Learning De A à Z | Machine ...

Aller au contenu

Dans l’un de mes articles précédents, j’ai parlé de la régression logistique.  Il s’agit d’un algorithme de classification assez connu en apprentissage supervisé. Dans cet article, nous allons mettre en pratique cet algorithme. Ceci en utilisant Python et Sickit-Learn. C’est parti ! Pré-requis Pour pouvoir suivre ce tutoriel, vous devez disposer sur votre ordinateur, des éléments… Lire la suite »

Dans un article antécédent, j’ai abordé l’algorithme K-Nearest Neighbors (K-NN). On a vu qu’il s’agissait d’un algorithme d’apprentissage supervisé, utilisable aussi bien pour la régression que la classification. Dans cet article, on va implémenter K-NN sur un vrai jeu de données pour faire une classification multi-classes. Pré-requis Pour suivre ce tutoriel, vous devez disposer sur votre… Lire la suite »

Lors de cet article, on découvrira l’algorithme K Nearest Neighbors (K-NN). Il s’agit d’un algorithme d’apprentissage supervisé. Il sert aussi bien pour la classification que la régression. Ainsi, nous allons voir le fonctionnement de cet algorithme, ses caractéristiques et comment il parvient à établir des prédictions. C’est parti ! Découverte de l’algorithme K Nearest Neighbors l’algorithme K-NN (K-nearest neighbors) est une… Lire la suite »

Note : cet article invité a été écrit par Claire Della Vedova du blog Statistiques et logiciel R. C’est quoi R ? R c’est à la fois un logiciel (libre de droit), et un langage de programmation, orienté objet et interprété (il ne nécessite donc pas de compilation). Au départ, R était surtout utilisé… Lire la suite »

Lors de mon article précédent, on a abordé l’algorithme K-Means. Il s’agit d’un algorithme de clustering populaire en apprentissage non-supervisé. Lors de cet article, on verra comment appliquer l’algorithme K-Means sur un vrai jeu de données en se basant sur la librairie Scikit Learn. C’est parti ! Prérequis : Avant d’attaquer le vif du sujet, sachez… Lire la suite »

K-means (k-moyennes) est un  algorithme non supervisé  de clustering, populaire en Machine Learning. Lors de cet article, nous allons détailler son fonctionnement et dans quel cas d’usage il peut être appliqué. Qu’est ce que le clustering Le clustering est une méthode d’apprentissage non supervisé (unsupervised learning). Ainsi, on n’essaie pas d’apprendre une relation de corrélation entre un… Lire la suite »

Dans les projets de Data Science, les données comportent souvent des valeurs aberrantes et des données manquantes (missing Data). Il est important d’identifier les données manquantes dans un jeu de données avant d’appliquer un algorithme de Machine Learning (ML). En effet, beaucoup de ces derniers reposent sur des méthodes statistiques qui supposent recevoir un jeu de données… Lire la suite »

En Data Science, les jeux de données comportent souvent des irrégularités et des erreurs. Cela peut être des données manquantes ou des données aberrantes. Savoir traiter ces données permettra de produire un modèle prédictif accru et efficace. Dans cet article, on se focalisera sur les données aberrantes. Ainsi, on verra : Ce que c’est une… Lire la suite »

Bien que les statistiques soient importantes lors de la phase d’exploration de données, ces dernières ne sont pas suffisantes. L’article précédent montre à quel point la visualisation de données (Dataviz) est importante en Data Science. Visualiser les données peut s’effectuer de plusieurs manières. Cela se décide, entre autres, en fonction du type de données qu’on… Lire la suite »

La visualisation des données (Data visualisation / Dataviz) est un domaine familier chez presque, tous les data scientist. Elle permet de tirer rapidement des informations grâce  aux représentations graphiques. La visualisation des données s’incorpore dans diverses phases du workflow d’un projet de Data Science. Notamment lors de l’exploration de données, visualisation des performances d’un Algorithme… Lire la suite »

Navigation des articles ← Articles plus anciens

Rechercher

Rechercher :

Articles récents

• Tutoriel de classification de fleurs d’IRIS avec la Régression logistique et Python 24 octobre 2018
• implémentez une reconnaissance de chiffres manuscrits avec K-NN 10 octobre 2018
• Introduction à l’algorithme K Nearst Neighbors (K-NN) 2 octobre 2018
• Initiation à l’utilisation de R pour le Machine Learning 15 mai 2018
• Implémentation du clustering des fleurs d’Iris avec l’algorithme K-Means, Python et Scikit Learn 3 mai 2018

Nuage de Tags

algorithmes machine learning analyse predictive données analyse predictive machine learning analyse prédictive Andrew NG apprendre data science apprendre machine lea apprendre machine learning Apprentissage automatique apprentissage supervisé Batch Gradient Descent Big Data Classification Cost function data science data visualisation définition machine learning feature scaling fonction cout formation coursera machine learning Gradient descent implement gradient descent introduction k plus proche voisin introduction machine learning learning rate linear regression livre français big data livre français machine learning livres français data science livres machine learning Logistic regression Machine Learning Machine Learning Data types Matplotlib Naive bayes classifier Ordinary Least Squares polynomial regression polynomial regression python Regression régression linéaire se former machine learning Supervised Learning Types données unsupervised learning variables prédictives

Catégories

• Machine Learning (34)

Archives

• octobre 2018
• mai 2018
• avril 2018
• février 2018
• novembre 2017
• octobre 2017
• septembre 2017
• août 2017
• juillet 2017
• juin 2017
• mai 2017
• avril 2017
• mars 2017
• février 2017
• novembre 2016

Iconic One Theme | Powered by Wordpress

Recevez Gratuitement votre copie du livre :

"Data Scientist : du rêve à la réalité"

Votre adresse e-mail est un gage de confiance de votre part, nous la traiterons avec tout le respect qu’il lui est dû

x