Ce livre est purement pratique afin de permettre à toute personne de pouvoir créer des systèmes d'apprentissage automatique (Machine Learning) dans son domaine d'intervention. Les projets couvrent plusieurs domaines. Vous apprendrez à :ⱷNettoyer un jeu de données et la rendre prête pour la modélisation (Traitement des valeurs manquantes, Détection et suppression des outliers, Encodage des variables catégorielles, Normalisation des données, etc.) ;ⱷConstruire un modèle de classification (LogisticRegression, RandomForestClassifier, DecisionTreeClassifier, KNeighborsClassifier, etc.) et d'un modèle de régression (LinearRegression, RandomForestRegressor, DecisionTreeRegressor, KNeighborsRegressor, etc.) ;ⱷEvaluer la performance d’un modèle (Données d’entraînement et d’évaluation, Choix de la métrique, Validation croisée, Robustesse du modèle, etc.)ⱷeffectuer des prédictions ;ⱷmodéliser des séries temporelles et effectuer des prévisions ;ⱷrechercher les hyperparamètres optimaux d'un modèle en utilisant les méthodes Grid Search et Random Search ;ⱷautomatiser la sélection du meilleur modèle avec l'outil TPOT ;ⱷautomatiser le flux de travail de vos projets de Machine Learning ;ⱷeffectuer des segmentations avec des algorithmes comme KMeans ;ⱷréduire la dimension de grand ensembles de données en utilisant l'ACP, ...etc.Vous pouvez télécharger toutes les données utilisées dans ce livre ainsi que d’autres donnéespour vous exercer à travers ce lien :https://github.com/JosueAfouda/Machine-Learning-par-la-pratique-avecPython/archive/master.zipPar ailleurs, vous pouvez utiliser directement les URL de chaque fichier de données dans vosnotebooks ce qui vous dispense de les télécharger.
"synopsis" may belong to another edition of this title.
US$ 10.60 shipping from Germany to U.S.A.
Destination, rates & speedsSeller: medimops, Berlin, Germany
Condition: good. Befriedigend/Good: Durchschnittlich erhaltenes Buch bzw. Schutzumschlag mit Gebrauchsspuren, aber vollständigen Seiten. / Describes the average WORN book or dust jacket that has all the pages present. Seller Inventory # M0B08DV8X9D2-G
Quantity: 1 available