Dans cette section, nous gérons les données à l'aide des structures R, nous analysons statistiquement les ensembles de données et nous visualisons les caractéristiques numériques et catégorielles afin de permettre une exploration et une préparation complètes des données.

Dans cette section, nous abordons la classification par apprentissage paresseux à l'aide de l'algorithme k-NN, nous mesurons la similarité des données à l'aide de mesures de distance, et nous préparons les ensembles de données en les normalisant et en les fractionnant afin d'obtenir une classification précise par le plus proche voisin.

Dans cette section, nous abordons la classification probabiliste de textes à l'aide de l'algorithme de Naïve Bayes, en traitant les principes fondamentaux des probabilités, les probabilités conditionnelles à l'aide du théorème de Bayes, ainsi que la détection pratique des spams par SMS sous R.

Dans cette section, nous allons découvrir comment les arbres de décision et les algorithmes d'apprentissage de règles tels que C5.0, 1R et RIPPER segmentent les données à des fins de classification, comment interpréter leurs résultats et comment évaluer leurs performances dans des scénarios concrets, tels que l'évaluation du risque de crédit et la détection de la toxicité.

Dans cette section, nous apprendrons à mettre en œuvre des modèles de régression — notamment la régression linéaire et les méthodes basées sur des arbres — afin d'estimer des résultats numériques, d'analyser les corrélations entre les caractéristiques et d'appliquer des techniques pratiques pour réaliser des prévisions efficaces fondées sur les données.

Dans cette section, nous examinons comment les réseaux neuronaux et les machines à vecteurs de support (SVM) modélisent les relations complexes entre les données, en mettant l'accent sur l'entraînement des modèles, leur évaluation et le réglage des hyperparamètres pour des applications pratiques d'apprentissage automatique.

Dans cette section, nous appliquons l'exploration des règles d'association aux données transactionnelles, nous utilisons des indicateurs tels que le support et la confiance, et nous mettons en œuvre les algorithmes Apriori et Eclat afin de mettre en évidence et d'analyser les tendances d'achat en vue d'élaborer des stratégies de marketing et de gestion des stocks fondées sur les données.

Dans cette section, nous présentons l'algorithme de regroupement par k-moyennes (k-means) pour regrouper des données non étiquetées. Nous aborderons les concepts de regroupement, de préparation des données, d'évaluation des modèles et d'affinement, afin de mettre en évidence des tendances exploitables dans les ensembles de données.

Dans cette section, nous évaluons des modèles d'apprentissage automatique à l'aide d'indicateurs de classification, nous analysons des matrices de confusion et nous appliquons des méthodes de validation afin d'estimer les performances potentielles de ces modèles sur des données futures.

Dans cette section, nous examinons les facteurs essentiels à la réussite de l'apprentissage automatique, en mettant l'accent sur l'exploration efficace des données, les stratégies de conception de projets et la compréhension des impacts concrets, afin de faire le lien entre la théorie et la pratique.

Dans cette section, nous abordons les tâches complexes de préparation des données sous R, en mettant l'accent sur la combinaison de sources de données et de techniques d'ingénierie des caractéristiques afin de soutenir les objectifs d'apprentissage automatique.

Dans cette section, nous abordons les défis liés aux données utilisées en apprentissage automatique en appliquant des techniques de sélection et d'extraction de caractéristiques, en traitant les valeurs manquantes ou clairsemées par imputation, et en utilisant des techniques visant à rééquilibrer les ensembles de données déséquilibrés afin d'améliorer les performances des modèles.

Dans cette section, nous apprenons à optimiser les modèles d'apprentissage automatique en ajustant systématiquement les hyperparamètres et en appliquant des méthodes d'ensemble telles que le bagging, le boosting et le stacking, afin d'améliorer les performances prédictives.

Dans cette section, nous examinons comment appliquer des modèles d'apprentissage profond sous R à l'aide de frameworks tels que Keras et TensorFlow, traiter des volumes importants de données non structurées et mettre en œuvre le calcul parallèle pour des solutions d'apprentissage automatique évolutives.