Maîtrisez le cycle de vie de l'apprentissage automatique avec Python, de la préparation et la visualisation des données à l'évaluation et l'optimisation des modèles. Vous commencerez par découvrir les concepts fondamentaux de l'apprentissage automatique, puis vous acquerrez des compétences pratiques en calcul numérique avec NumPy et en analyse de données structurées à l'aide de Pandas. Vous créerez et personnaliserez ensuite des visualisations avec Matplotlib, appliquerez des techniques de mise à l'échelle et d'encodage, et développerez des pipelines scikit-learn pour un prétraitement et une ingénierie des caractéristiques efficaces.

Au fur et à mesure de votre progression, vous construirez et évaluerez des modèles de régression linéaire et polynomiale, appliquerez des arbres de décision, des forêts aléatoires et des machines à vecteurs de support à des tâches de classification, et utiliserez des méthodes d’apprentissage par ensembles. Vous effectuerez également du clustering avec K-means, appliquerez l’analyse en composantes principales (ACP) pour la réduction de dimensionnalité, et améliorerez les performances des modèles grâce au réglage des hyperparamètres. Conçu pour les futurs professionnels de la science des données et les apprenants à la recherche de compétences analytiques pratiques, ce cours fait le lien entre la théorie de l’apprentissage automatique, la programmation pratique et les workflows de bout en bout. À l’issue de ce cours, vous serez en mesure de préparer et d’explorer des ensembles de données, de sélectionner les techniques de modélisation appropriées, d’évaluer les résultats et d’optimiser des modèles d’apprentissage automatique pour des problèmes basés sur les données. Inscrivez-vous pour acquérir des bases pratiques en apprentissage automatique appliqué avec Python et gagner de l’expérience sur l’ensemble du workflow de modélisation.