Apprentissage automatique pour l'analyse de données : Modélisation de classification

Aperçu

L'apprentissage automatique simplifié avec Excel ! Classification pour l'analyse des données avancée & l'intelligence d'affaires (sans codage !) Ce que vous apprendrez :

Développer des compétences fondamentales en apprentissage automatique & science des données, sans écrire de code complexe Utiliser des outils intuitifs et conviviaux comme Microsoft Excel pour introduire et démystifier les outils & techniques d'apprentissage automatique Enrichir les ensembles de données en utilisant des techniques d'ingénierie des caractéristiques, telles que le codage one-hot, la mise à l'échelle et la discrétisation Prédire des résultats catégoriels en utilisant des modèles de classification tels que les k-plus proches voisins, les naïves bayes, les arbres de décision, et plus Appliquer des techniques pour sélectionner & ajuster les modèles de classification afin d'optimiser les performances, réduire les biais et minimiser la dérive Calculer des métriques comme la précision, le rappel et la précision pour mesurer les performances du modèle ATTENTION !

Ce cours fait maintenant partie du Guide Visuel Complet pour l’Apprentissage Automatique & la Science des Données, qui combine les 4 cours de Machine Learning de Maven Analytics. Ce cours, ainsi que les autres cours individuels de la série, seront bientôt retirés.

Si vous êtes enthousiaste à l'idée d'explorer la Science des Données & l'Apprentissage Automatique mais anxieux à l'idée d'apprendre des langages de programmation complexes ou intimidé par des termes comme "naïve bayes", "régression logistique", "KNN" et "arbres de décision", vous êtes au bon endroit. Ce cours est la PARTIE 2 d'une SÉRIE EN 4 PARTIES conçue pour vous aider à construire une compréhension forte et fondamentale de l'Apprentissage Automatique :

PARTIE 1 :

QA & Profilage des Données PARTIE 2 :

Modélisation de Classification PARTIE 3 :

Régression & Prévision PARTIE 4 :

Apprentissage Non Supervisé Ce cours rend la science des données accessible aux gens ordinaires, et est conçu pour démystifier les puissants outils & techniques d'Apprentissage Automatique sans essayer de vous enseigner un langage de programmation en même temps.

Au lieu de cela, nous utiliserons des outils familiers et conviviaux comme Microsoft Excel pour décomposer des sujets complexes et vous aider à comprendre exactement COMMENT et POURQUOI l'apprentissage automatique fonctionne avant de plonger dans des langages de programmation comme Python ou R. Contrairement à la plupart des cours de Science des Données et d'Apprentissage Automatique, vous n'écrirez PAS UNE SEULE LIGNE de code.

PLAN DU COURS :

Dans ce cours de la Partie 2, nous allons introduire le paysage de l'apprentissage supervisé, passer en revue le flux de travail de classification et aborder des sujets clés comme les variables dépendantes vs indépendantes, l'ingénierie des caractéristiques, le partage des données et le surajustement. Ensuite, nous examinerons les modèles de classification courants, y compris les K-plus proches voisins (KNN), Naïve Bayes, Arbres de Décision, Forêts Aléatoires, Régression Logistique et Analyse de Sentiment, et partagerons des conseils pour le scoring, la sélection et l'optimisation des modèles.

Section 1 :

Introduction à la Classification Paysage de l'apprentissage supervisé Flux de travail de classification Ingénierie des caractéristiques Partage des données Surajustement & Sous-ajustement Section 2 :

Modèles de Classification K-plus proches voisins Naïve Bayes Arbres de Décision Forêts Aléatoires Régression Logistique Analyse de Sentiment Section 3 :

Sélection & Ajustement de Modèle Ajustement des hyperparamètres Classes non équilibrées Matrices de confusion Précision, Rappel & Précision Sélection & dérive de modèles Tout au long du cours, nous introduirons des études de cas pour solidifier les concepts clés et les lier à des scénarios du monde réel. Vous aiderez à construire un moteur de recommandation pour Spotify, analyser le comportement d'achat des clients pour un magasin de détail, prédire les abonnements pour une entreprise de voyages, extraire le sentiment des avis clients et bien plus encore.

Si vous êtes prêt à construire la fondation pour une carrière réussie en Science des Données, ce cours est fait pour vous ! ________ Rejoignez aujourd'hui et obtenez un accès immédiat à vie aux éléments suivants :

Vidéo de haute qualité à la demande Livre électronique sur l'apprentissage automatique :

Classification Fichier projet Excel téléchargeable Forum de questions-réponses avec des experts Garantie de remboursement de 30 jours Bon apprentissage ! - Josh M. (Instructeur principal en apprentissage automatique, Maven Analytics) ________ Vous recherchez notre pile complète d'intelligence d'affaires ? Recherchez "Maven Analytics" pour parcourir notre bibliothèque complète de cours, y compris des cours sur Excel, Power BI, MySQL et Tableau !

Voyez pourquoi nos cours sont parmi les mieux notés sur Udemy :

"Certainement les MEILLEURS cours que j'ai jamais suivis. J'ai étudié plusieurs langages de programmation, Excel, VBA et développement web, et Maven est parmi les meilleurs que j'aie vus !" Russ C. "C'est mon quatrième cours de Maven Analytics et ma quatrième évaluation 5 étoiles, donc je manque de choses à dire.

J'aurais aimé que Maven fasse partie de ma vie plus tôt !" Tatsiana M. "Maven Analytics devrait devenir la nouvelle norme pour tous les cours enseignés sur Udemy !" Jonah M.

Programme

• Introduction à la Classification
Aperçu de la Classification en Apprentissage Automatique
Différences entre Classification et Régression
• Préparation des Données pour la Classification
Techniques de Prétraitement des Données
Gestion des Valeurs Manquantes
Mise à l'échelle et Transformation des Caractéristiques
Déséquilibre des Classes et Méthodes de Rééchantillonnage
• Compréhension des Algorithmes de Classification
Arbres de Décision
k-Plus Proches Voisins (k-NN)
Machines à Vecteurs de Support (SVM)
Régression Logistique
Naïve Bayes
Réseaux Neurones et Apprentissage Profond pour la Classification
• Techniques Avancées de Classification
Méthodes d'Ensemble : Bagging, Boosting, et Forêts Aléatoires
Machines à Gradient Boosting (GBM) et XGBoost
• Évaluation des Modèles et Mesures de Performance
Matrice de Confusion
Précision, Rappel, et Score F1
Courbe ROC et AUC
Validation Croisée
• Sélection de Caractéristiques et Réduction de Dimensionnalité
Analyse en Composantes Principales (ACP)
Importance des Caractéristiques
• Implémentation de Modèles de Classification
Utilisation de Python pour l'Apprentissage Automatique
Bibliothèque Scikit-learn pour la Classification
Entraînement et Test du Modèle
• Applications Réelles de la Classification
Application en Finance, Santé, et Marketing
Études de Cas
• Meilleures Pratiques et Conseils pour les Projets de Classification
Gérer le Surapprentissage et le Sous-apprentissage
Réglage des Hyperparamètres
• Tendances Futures et Directions de Recherche
IA Explicable et Interprétabilité dans la Classification
Avancées Récentes dans les Algorithmes de Classification
• Projet Final
Conception et Implémentation d'un Modèle de Classification pour un Jeu de Données du Monde Réel

---

Enseigné par

Maven Analytics and Joshua MacCarty

---

Sujets

Science des données