Apprentissage automatique pour l'analyse des données : régression et prévisions

Aperçu

Machine Learning made simple with Excel! Regression models for advanced data analysis & business intelligence (no code!) What you'll learn:

Build foundational machine learning & data science skills, without writing complex codeUse intuitive, user-friendly tools like Microsoft Excel to introduce & demystify machine learning tools & techniquesPredict numerical outcomes using regression modeling and time-series forecasting techniquesCalculate diagnostic metrics like R-Squared, Mean Error, F-Significance and P-Values to diagnose model qualityExplore unique, hands-on case studies to see how regression analysis can be applied to real-world business intelligence use cases HEADS UP!This course is now part of The Complete Visual Guide to Machine Learning &Data Science, which combines all 4 Machine Learning courses from Maven Analytics.

This course, along with the other individual courses in the series, will be retired soon.This course is PART 3 of a 4-PART SERIES designed to help you build a strong, foundational understanding of Machine Learning:

PART 1:

QA & Data ProfilingPART2:

Classification ModelingPART3:

Regression & ForecastingPART4:

Unsupervised LearningThis course makes data science approachable to everyday people, and is designed to demystify powerful Machine Learning tools &techniques without trying to teach you a coding language at the same time.Instead, we'll use familiar, user-friendly tools like Microsoft Excel to break down complex topics and help you understand exactly HOW and WHY machine learning works before you dive into programming languages like Python or R. Unlike most Data Science and Machine Learning courses, you won't write a SINGLELINEof code.COURSEOUTLINE:

In this Part 3 course, we’ll start by introducing core building blocks like linear relationships and least squared error, then show you how these concepts can be applied to univariate, multivariate, and non-linear regression models.From there we'll review common diagnostic metrics like R-squared, mean error, F-significance, and P-Values, along with important concepts like homoscedasticity and multicollinearity.Last but not least we’ll dive into time-series forecasting, and explore powerful techniques for identifying seasonality, predicting nonlinear trends, and measuring the impact of key business decisions using intervention analysis:

Section 1:

Intro to RegressionSupervised Learning landscapeRegression vs.

ClassificationFeature engineeringOverfitting &UnderfittingPrediction vs. Root-Cause AnalysisSection 2:

Regression Modeling 101Linear RelationshipsLeast Squared Error (SSE)Univariate RegressionMultivariate RegressionNonlinear TransformationSection 3:

Model DiagnosticsR-SquaredMean Error Metrics (MSE, MAE, MAPE)Null HypothesisF-SignificanceT-Values &P-ValuesHomoskedasticityMulticollinearitySection 4:

Time-Series ForecastingSeasonalityAuto Correlation Function (ACF)Linear TrendingNon-Linear Models (Gompertz)Intervention AnalysisThroughout the course we’ll introduce hands-on case studies to solidify key concepts and tie them back to real world scenarios.

You’ll see how regression analysis can be used to estimate property prices, forecast seasonal trends, predict sales for a new product launch, and even measure the business impact of a new website design.If you’re ready to build the foundation for a successful career in Data Science, this is the course for you!__________Join todayand get immediate, lifetime accessto the following:

High-quality, on-demand videoMachine Learning:

Regression &ForecastingebookDownloadableExcel project fileExpertQ&Aforum30-day money-back guaranteeHappy learning!-Josh M. (Lead Machine Learning Instructor, Maven Analytics)__________Looking for our full business intelligence stack? Search for "Maven Analytics"to browse our full course library, including Excel, Power BI, MySQL, andTableaucourses!See why our courses are among the TOP-RATEDon Udemy:

"Some of the BESTcourses I've ever taken.

I've studied several programming languages, Excel, VBA and web dev, and Maven is among the very best I've seen!" Russ C."This is my fourth course from Maven Analytics and my fourth 5-star review, so I'm running out of things to say. I wish Maven was in my life earlier!" Tatsiana M."Maven Analytics should become the new standard for all courses taught on Udemy!" Jonah M.

Programme

• Introduction à l'apprentissage automatique pour l'analyse des données
Aperçu de l'apprentissage automatique
Importance de l'analyse des données en entreprise et en recherche
Types d'apprentissage automatique : Apprentissage supervisé vs non supervisé
• Fondamentaux de l'analyse de régression
Introduction à la régression
Régression linéaire
Hypothèses de la régression linéaire
Évaluation des modèles linéaires (R², RMSE, MAE)
Régression linéaire multiple
Régression polynomiale
• Techniques de régression avancées
Régression Ridge
Régression Lasso
Régression Elastic Net
Modèles de régression non linéaire
Régression par vecteurs de support (SVR)
• Analyse et prévision des séries temporelles
Introduction aux données de séries temporelles
Composantes des séries temporelles : Tendance, saisonnalité et bruit
Décomposition des séries temporelles
Moyennes mobiles et techniques de lissage
Modèles autorégressifs (AR, MA, ARMA)
Modèles ARIMA et ARIMA saisonnier (SARIMA)
Évaluation des modèles de prévision (MAPE, AIC, BIC)
• Apprentissage automatique pour la prévision des séries temporelles
Introduction à l'apprentissage automatique dans les séries temporelles
Ingénierie des caractéristiques pour les séries temporelles
Modèles de régression pour les séries temporelles
Modèles basés sur les arbres : Arbres de décision, forêts aléatoires et boosting de gradient
Réseaux neuronaux pour la prévision des séries temporelles
• Évaluation et sélection des modèles
Techniques de validation croisée
Surapprentissage et sous-apprentissage
Ajustement des hyperparamètres avec recherche en grille et recherche aléatoire
Considérations sur le déploiement des modèles
• Outils et bibliothèques pour la régression et la prévision
Bibliothèques Python : NumPy, pandas, scikit-learn
Outils spécifiques aux séries temporelles : statsmodels, Prophet
Introduction à R pour l'analyse des séries temporelles
• Études de cas et applications
Étude de cas académique : Prédiction des prix des logements
Étude de cas commerciale : Prévision des ventes à partir de données historiques
Étude de cas environnementale : Analyse des données climatiques
• Projet : Développement d'un modèle de prévision
Introduction et exigences du projet
Collecte et prétraitement des données
Sélection et entraînement du modèle
Évaluation et présentation des résultats
• Conclusion et lectures complémentaires
Révision des concepts clés
Ressources recommandées pour un apprentissage approfondi
Tendances futures en apprentissage automatique pour l'analyse des données

---

Enseigné par

Maven Analytics and Joshua MacCarty

---

Matières

Data Science