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

Aperçu

L'apprentissage automatique simplifié avec Excel ! Modèles de régression pour l'analyse de données avancées et l'intelligence d'affaires (sans code !) Ce que vous apprendrez :

Acquérir des compétences fondamentales en apprentissage automatique et en science des données, sans écrire de code complexe Utiliser des outils intuitifs et conviviaux comme Microsoft Excel pour introduire et démystifier les outils et techniques d'apprentissage automatique Prédire des résultats numériques à l'aide de modèles de régression et de techniques de prévision des séries chronologiques Calculer des métriques de diagnostic comme le R-carré, l'erreur moyenne, la signification F et les valeurs P pour évaluer la qualité des modèles Explorer des études de cas pratiques pour voir comment l'analyse de régression peut être appliquée à des cas pratiques d'intelligence d'affaires ATTENTION !

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

Ce cours est la PARTIE 3 d'une SÉRIE en 4 PARTIES conçue pour vous aider à construire une compréhension solide et fondamentale de l'Apprentissage Automatique :

PARTIE 1 :

Contrôle Qualité et Profilage des Données PARTIE 2 :

Modélisation de Classification PARTIE 3 :

Régression et Prévisions PARTIE 4 :

Apprentissage Non Supervisé Ce cours rend la science des données accessible aux personnes ordinaires et est conçu pour démystifier les outils et techniques puissants de l'Apprentissage Automatique sans tenter 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 vous 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 3, nous commencerons par introduire des blocs de construction de base comme les relations linéaires et le moindre carré d'erreurs, puis nous vous montrerons comment ces concepts peuvent être appliqués à des modèles de régression univariés, multivariés et non linéaires.

Ensuite, nous examinerons des métriques de diagnostic courantes comme le R-carré, l'erreur moyenne, la signification F et les valeurs P, ainsi que des concepts importants comme l'homoscedasticité et la multicolinéarité. Enfin, nous plongerons dans la prévision des séries chronologiques, et explorerons des techniques puissantes pour identifier la saisonnalité, prédire les tendances non linéaires et mesurer l'impact des décisions commerciales clés à l'aide de l'analyse d'intervention :

Section 1 :

Introduction à la Régression Paysage de l'Apprentissage Supervisé Régression vs.

Classification Ingénierie des caractéristiques Surapprentissage & Sous-apprentissage Prédiction vs. Analyse de cause-racine Section 2 :

Modélisation de la Régression 101 Relations Linéaires Moindre Carré d'Erreurs (SSE) Régression Univariée Régression Multivariée Transformation Non Linéaire Section 3 :

Diagnostics de Modèles R-carré Métriques d'Erreur Moyenne (MSE, MAE, MAPE) Hypothèse Nulle Signification F T-valeurs & Valeurs P Homoscedasticité Multicolinéarité Section 4 :

Prévision des Séries Chronologiques Saisonnalité Fonction d'Autocorrélation (ACF) Tendance Linéaire Modèles Non Linéaires (Gompertz) Analyse d'Intervention Tout au long du cours, nous introduirons des études de cas pratiques pour solidifier les concepts clés et les relier à des scénarios du monde réel.

Vous verrez comment l'analyse de régression peut être utilisée pour estimer les prix des propriétés, prévoir les tendances saisonnières, prédire les ventes pour un nouveau lancement de produit, et même mesurer l'impact commercial d'un nouveau design de site web. Si vous êtes prêt à construire la fondation d'une carrière réussie en Science des Données, ce cours est pour vous ! _________ Rejoignez dès aujourd'hui pour avoir un accès immédiat et à vie aux éléments suivants :

Vidéo à la demande de haute qualité Apprentissage Automatique :

ebook Régression & Prévision Téléchargez le fichier de projet Excel Forum Q&A des experts Garantie de remboursement de 30 jours Bon apprentissage ! - Josh M. (Instructeur principal en Apprentissage Automatique, Maven Analytics) _________ Vous cherchez notre ensemble complet d'intelligence d'affaires ?

Recherchez "Maven Analytics" pour parcourir notre bibliothèque de cours complète, y compris les cours Excel, Power BI, MySQL et Tableau ! Voyez pourquoi nos cours font partie des mieux notés sur Udemy :

"Certains des meilleurs cours que j'ai jamais suivis.

J'ai étudié plusieurs langages de programmation, Excel, VBA et le développement web, et Maven est parmi les meilleurs que j'ai vus !" Russ C. "C'est mon quatrième cours chez Maven Analytics et ma quatrième critique 5 étoiles, je commence à manquer de choses à dire. J'aurais aimé que Maven soit dans 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 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

---

Sujets

Science des données