Classification - Fondamentaux et Applications Pratiques

Aperçu

Les problèmes de classification sont l'un des scénarios les plus courants auxquels nous sommes confrontés en science des données. Ce cours vous aidera à comprendre et à appliquer des algorithmes courants pour faire des prédictions et prendre des décisions en entreprise.

Que vous soyez un futur data scientist, étudiant en analytique, ou concentré sur l'intelligence d'affaires, ce cours vous offrira une vue d'ensemble complète des problèmes de classification, solutions et interprétations. De la régression logistique aux modèles KNN et SVM, vous apprendrez à mettre en œuvre des techniques dans Excel et Python et à 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 sorties de modèles avec des métriques d'évaluation et la matrice de confusion. Avec cela, vous découvrirez les faux négatifs, les faux positifs et envisagerez les répercussions possibles sur certains scénarios d'affaires.

Enfin, nous vous donnerons un aperçu des techniques de classification plus avancées telles que l'importance des caractéristiques, les valeurs SHAP, et les graphiques PDP. À la fin de ce cours, vous pourrez :

• Distinguer entre les techniques de classification classiques, incluant leurs hypothèses implicites et cas d'utilisation pratique • Réaliser des calculs simples de régression logistique dans Excel & RegressIt • Créer des modèles de classification basiques en Python en utilisant les modules statsmodels et sklearn • Évaluer et interpréter la performance des sorties et paramètres des modèles de classification Que vous soyez un futur data scientist, étudiant en analytique, ou concentré sur l'intelligence d'affaires, ce cours de classification sera votre introduction complète à ce sujet fascinant.

Vous apprendrez toute la terminologie clé pour vous permettre de parler de science des données avec vos équipes, de commencer à implémenter des analyses, et de comprendre comment la science des données peut aider votre entreprise.

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)

Sujets

Science des données