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

Aperçu

L'apprentissage automatique simplifié avec Excel ! Modèles de régression pour une analyse de données avancée et une intelligence d'affaires (sans code !)

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

Étiquettes