Au lieu de mémoriser des mathématiques complexes ou d'écrire du code, nous utiliserons des exemples simples et visuels et des modèles basés sur Excel pour décomposer les concepts fondamentaux de l'apprentissage automatique et vous aider à développer une intuition sur la façon dont ils fonctionnent. PARTIE 1 : AQ et profilage des données Dans la partie 1, nous présenterons le flux de travail de l'apprentissage automatique et les techniques courantes de nettoyage et de préparation des données brutes à des fins d'analyse. Nous explorerons l'analyse univariée avec des tableaux de fréquence, des histogrammes, des densités de noyaux et des métriques de profilage, puis nous nous plongerons dans les outils de profilage multivariés tels que les cartes thermiques, les graphiques en boîte et en violon, les diagrammes de dispersion et les matrices de corrélation. PARTIE 2 : Modélisation des données Dans la partie 2, nous présenterons le paysage de l'apprentissage supervisé, nous passerons en revue le flux de travail de la classification, les variables dépendantes et indépendantes, l'ingénierie du fractionnement et le surajustement des données. Ensuite, nous passerons en revue les modèles de classification courants tels que K-Nearest Neighbors (KNN), Naïve Bayes, Decision Trees, Random Forests, Régression logistique et Analyse des sentiments, et nous partagerons des conseils pour la notation, la sélection et l'optimisation des modèles. PARTIE 3 : Régression et prévision Dans la partie 3, nous présenterons les éléments de base tels que les relations linéaires et l'erreur la moins élevée au carré, et nous nous entraînerons à les appliquer à des modèles de régression univariés, multivariés et non linéaires. Nous passerons en revue les mesures de diagnostic telles que le R au carré, l'erreur moyenne, la significativité F et les valeurs P, puis nous utiliserons des techniques de prévision de séries temporelles pour identifier la saisonnalité, prédire les tendances non linéaires et mesurer l'impact des décisions commerciales clés à l'aide de l'analyse d'intervention. PARTIE 4 : Apprentissage non supervisé Dans la partie 4, nous explorerons les différences entre l'apprentissage automatique supervisé et non supervisé et nous présenterons plusieurs techniques non supervisées courantes, notamment l'analyse de grappes, l'exploration d'associations, la détection des valeurs aberrantes et la réduction de la dimensionnalité. Nous décomposerons chaque modèle en termes simples, des K-moyennes et apriori à la détection des valeurs aberrantes, l'analyse en composantes principales, et plus encore. Tout au long du cours, nous introduirons des scénarios du monde réel pour solidifier les concepts clés et simuler des cas d'utilisation réels de la science des données. Vous visualiserez les données démographiques des athlètes olympiques et les taux d'accidents de la route, vous utiliserez la régression pour estimer les prix de l'immobilier et prédire les ventes de produits, vous appliquerez des modèles de regroupement pour identifier les segments de clientèle et vous mesurerez même l'impact commercial de la conception d'un nouveau site Web. Si vous êtes un concepteur ou un professionnel des données en herbe qui cherche à jeter les bases d'une carrière réussie dans l'apprentissage automatique ou la science des données, ce cours est fait pour vous