Classification - Fondamentaux et Applications Pratiques

Aperçu

Classification problems are one of the most common scenarios we face in data science. This course will help you understand and apply common algorithms to make predictions and drive decision-making in business.

Whether you’re an aspiring data scientist, studying analytics, or have a focus on business intelligence, this course will give you a comprehensive overview of classification problems, solutions, and interpretations. From Logistic Regression to KNN and SVM models, you’ll learn how to implement techniques in Excel and Python and how to create loops to run models in parallel.  Since model evaluation is so important, we’ll dedicate a whole chapter to interpreting model outputs with evaluation metrics and the confusion matrix.

With this, you’ll learn about false negatives, and false positives, and consider the impacts these may have on specific business scenarios. Finally, we’ll give you a brief insight into more advanced classification techniques such as feature importance, SHAP values, and PDP plots.

Upon completing this course, you will be able to:

• Distinguish between classic classification techniques including their implicit assumptions and practical use-cases • Perform simple logistic regression calculations in Excel & RegressIt • Create basic classification models in Python using statsmodels and sklearn modules • Evaluate and interpret the performance of classification model outputs and parameters Whether you’re an aspiring data scientist, studying analytics, or have a focus on business intelligence, this classification course will serve as your comprehensive introduction to this fascinating subject. You’ll learn all the key terminology to allow you to talk data science with your teams, benign implementing analysis, and understand how data science can help your business.

Programme

• Commencer
Les problèmes de classification sont l'un des scénarios les plus courants que nous rencontrons en science des données. Ce cours nous aidera à comprendre et à appliquer des algorithmes courants pour faire des prédictions et orienter la prise de décision en entreprise. De la régression logistique aux modèles KNN et SVM, nous apprendrons comment mettre en œuvre des techniques dans Excel et Python et comment créer des boucles pour exécuter des modèles en parallèle. Étant donné que l'évaluation des modèles est si importante, nous consacrerons tout un chapitre à l'interprétation des résultats des modèles avec des métriques d'évaluation et la matrice de confusion. A travers cela, nous apprendrons à propos des faux négatifs et des faux positifs, et nous considérerons les impacts que ceux-ci peuvent avoir sur des scénarios d'affaires spécifiques. Enfin, nous aurons un aperçu des techniques de classification plus avancées telles que l'importance des caractéristiques, les valeurs SHAP et les plots PDP.
• Aperçu de la classification
• Notions de base de la régression logistique
• Algorithmes de classification
• Évaluation du modèle de classification
• Conclusion du cours
• Évaluation qualifiée

Enseigné par

CFI (Corporate Finance Institute)

Matières

Data Science