Science des données et apprentissage automatique : Naïve Bayes en Python

Aperçu

Dans ce cours autogéré, vous apprendrez à appliquer Naïve Bayes à de nombreux ensembles de données du monde réel dans une grande variété de domaines, tels que :

Programme

• Introduction au Naïve Bayes
Vue d'ensemble de l'algorithme Naïve Bayes
Applications de Naïve Bayes dans des scénarios réels
• Fondements de la probabilité
Notions de base de la théorie des probabilités
Comprendre les probabilités conditionnelles
• Le Classificateur Naïve Bayes
Hypothèses derrière Naïve Bayes
Types de classificateurs Naïve Bayes
Avantages et inconvénients
• Implémenter Naïve Bayes en Python
Configurer votre environnement Python
Importer les bibliothèques nécessaires (par exemple, NumPy, pandas, scikit-learn)
Écrire un simple classificateur Naïve Bayes à partir de zéro
• Classification de texte avec Naïve Bayes
Prétraiter les données textuelles
Implémentation du Naïve Bayes multinomial pour la classification de texte
Étude de cas : Détection de spam
• Naïve Bayes pour des caractéristiques continues
Naïve Bayes Gaussien
Application aux données réelles (par exemple, ensemble de données Iris)
• Évaluation de la performance du modèle
Matrice de confusion
Précision, Rappel et F1-Score
Techniques de validation croisée
• Sujets avancés et variantes
Naïve Bayes Bernoulli
Naïve Bayes Complémentaire
Gestion des données manquantes
• Projets pratiques et études de cas
Étude de cas : Analyse de sentiment sur les publications des réseaux sociaux
Projet : Prédire le comportement des clients dans le commerce électronique
• Résumé du cours et prochaines étapes
Récapitulatif des concepts clés
Lectures et ressources complémentaires
Sujets avancés en apprentissage automatique et science des données

---

Enseigné par

Lazy Programmer Inc. and Lazy Programmer Team

---

Sujets

Science des données