Dans ce cours, vous programmerez en Python, en utilisant les outils et bibliothèques les plus populaires de Data Science et vous apprendrez à l'utiliser pour l'analyse statistique avancée, le prétraitement et la transformation des données, le développement de visualisations de données et le développement de modèles prédictifs pour résoudre une variété de problèmes.
Le cours comporte des exercices pratiques pour chaque module (avec une applicabilité directe dans le secteur bancaire), donc non seulement vous apprendrez la théorie, mais vous aborderez également le côté pratique de la construction de vos propres modèles, que vous pourrez ensuite utiliser comme points de départ pour construire vos propres projets.
Vous apprendrez également comment améliorer les modèles développés par des algorithmes d'apprentissage automatique, en approfondissant les concepts de biais élevé (sous-ajustement), de dispersion élevée (surajustement), de validation croisée et comment les hyperparamètres pourraient améliorer les performances des modèles (réglage des hyper-paramètres). ).
- Définir l'intelligence artificielle et l'apprentissage automatique, comprendre leur signification et leurs applications dans divers domaines.
- Identifiez différents types d'apprentissage automatique, tels que l'apprentissage supervisé, non supervisé et par renforcement, et comprenez leurs cas d'utilisation spécifiques.
- Comprendre le cycle de vie du modèle et les étapes essentielles impliquées dans la création d'un modèle d'apprentissage automatique, de la collecte de données au déploiement.
- Effectuer une analyse exploratoire des données (EDA) pour obtenir des informations sur l'ensemble de données, identifier des modèles et comprendre les relations entre les variables.
- Connaissance des techniques de prétraitement des données pour nettoyer et préparer les données pour les algorithmes d'apprentissage automatique, y compris la gestion des valeurs manquantes et la gestion des valeurs aberrantes.
- Explorer divers algorithmes d'apprentissage automatique utilisés pour la classification, la régression, le clustering et autres, comprendre leurs forces et leurs faiblesses.
- Mettre en œuvre un exemple pratique d'apprentissage supervisé pour la classification des prêts afin de prédire les défauts de paiement, en acquérant une expérience pratique dans la construction d'un modèle prédictif.
- Maîtrise des techniques d'ingénierie des fonctionnalités, notamment la gestion des valeurs manquantes, la gestion des valeurs aberrantes, le traitement des catégories clairsemées et le traitement des variables catégorielles pour l'apprentissage automatique.
- Comprendre l'importance de la sélection des fonctionnalités pour améliorer les performances du modèle et réduire la complexité, explorer les méthodes de filtrage, les méthodes d'intégration et les méthodes d'encapsulation.
- Obtenez un aperçu de l’importance de la réduction de dimensionnalité pour la modélisation et identifiez les techniques appropriées pour parvenir à une réduction de dimensionnalité.
- Appliquer des méthodes de filtrage (par exemple, ensembles de base, corrélation, mesures statistiques) pour sélectionner des fonctionnalités, comprendre comment elles influencent les performances du modèle.
- Implémentation de méthodes intégrées (par exemple Lasso, Random Forest) pour effectuer automatiquement la sélection de fonctionnalités pendant le processus de formation du modèle.
- Explorer des méthodes agnostiques, telles que l'élimination récursive de caractéristiques (RFE), pour sélectionner de manière itérative les caractéristiques les plus importantes pour la modélisation.
- Développez des compétences pratiques en programmation Python pour l'apprentissage automatique à l'aide de bibliothèques populaires telles que NumPy, Pandas, Scikit-learn et autres.
- Connaissance de base de la programmation Python.
- Fondamentaux de l'algèbre linéaire et du calcul différentiel.
- Une compréhension des concepts fondamentaux des statistiques et des probabilités.
- Qu’est-ce que l’intelligence artificielle et l’apprentissage automatique ?
- Types d'apprentissage automatique
- Cycle de vie du modèle : étapes de création d'un modèle
- L'analyse exploratoire des données
- Prétraitement des données
- Algorithmes d'apprentissage automatique
- Exemple pratique d'apprentissage supervisé : classification des prêts pour prédire le défaut de paiement
- Ingénierie des fonctionnalités:
- Techniques de gestion des valeurs manquantes
- Traitement des valeurs extrêmes
- Traitement des catégories rares
- Plusieurs techniques pour gérer les variables catégorielles
- Techniques de traitement et de transformation des données requises pour les principaux groupes d'algorithmes d'apprentissage automatique
- Sélection de fonctionnalités (méthodes de filtrage, méthodes intégrées, méthodes wrapper)
- L'importance de la réduction de l'espace dimensionnel pour la modélisation
- Application de méthodes de filtrage (cœurs, corrélation, mesures statistiques)
- Application de méthodes intégrées (lasso, forêt aléatoire, etc.)
- Appliquer des méthodes agnostiques (RFE)
Il n'y a aucune recommandation pour l'instant.
Après ce cours, vous recevrez un certificat d'achèvement.
