
- Spécial Enseignant: Sophie Poyet
- Presentations orales: 19
- Apprenant(s): 705
- Durée: Semaines 10
Scikit-learn (Sklearn) est la bibliothèque la plus utile et la plus robuste pour l'apprentissage automatique en Python. Il fournit une sélection d'outils efficaces pour l'apprentissage automatique et la modélisation statistique, notamment la classification, la régression, le regroupement et la réduction de la dimensionnalité via une interface de cohérence en Python. Cette bibliothèque, qui est en grande partie écrite en Python, est construite sur NumPy, SciPy et Matplotlib.

Audience
Ce cours par Academy Europe sera utile pour les diplômés, les étudiants de troisième cycle et les étudiants en recherche qui s'intéressent à ce sujet d'apprentissage automatique ou qui ont ce sujet dans le cadre de leur programme. Le lecteur peut être un débutant ou un apprenant avancé.
Pré-requis :
Le lecteur doit avoir des connaissances de base sur l'apprentissage automatique. Il/elle doit également connaître Python, NumPy, Scipy, Matplotlib. Si vous êtes novice dans l'un de ces concepts, nous vous recommandons de suivre des didacticiels sur ces sujets avant d'approfondir ce didacticiel.
Curriculum
- Sections 19
- 19 Leçons
- 10 Semaines
- Scikit Learn-Introduction1
- Scikit Learn - Processus de modélisation1
- Scikit Learn - Représentation des données1
- Scikit Learn - API d'estimation1
- Scikit Learn - Conventions1
- Scikit Learn - Modélisation linéaire1
- Scikit Learn - Modélisation linéaire étendue1
- Scikit Learn - Descente de gradient stochastique1
- Scikit Learn - Soutenir les machines vectorielles1
- Scikit Learn - Détection d'anomalies1
- Scikit Learn - K-plus proches voisins (KNN)1
- Scikit Learn - Apprentissage KNN1
- Scikit Learn - Classement avec Naïve Bayes1
- Scikit Learn - Arbres de décision1
- Scikit Learn - Arbres de décision aléatoires1
- Scikit Learn - Méthodes de boost1
- Scikit Learn - Méthodes de regroupement1
- Scikit Learn - Évaluation des performances de clustering1
- Scikit Learn - Réduction de la dimensionnalité à l'aide de PCA1