Aperçu — 1.1 ML vs programmation traditionnelle — Yekola

Module 1 : Qu'est-ce que le Machine Learning ?

1.2 Les trois types de Machine Learning

1.3 Le cycle de vie d'un projet ML

Module 2 : Préparer ses données

2.2 Feature engineering : créer de bonnes variables

2.3 Train/Test split et validation croisée

Module 3 : Régression avec Scikit-learn

3.2 Régression multiple et polynomiale

3.3 Métriques d'évaluation (MAE, MSE, R²)

🛠️ Projet : Prédiction de prix immobiliers

Module 4 : Classification

4.2 K-Nearest Neighbors (KNN)

4.3 Arbres de décision et Random Forest

Module 5 : Évaluation des modèles

5.2 Courbe ROC et AUC

5.3 Overfitting et underfitting

🛠️ Projet : Classification de fleurs Iris

Module 6 : Clustering et réduction de dimension

6.2 DBSCAN et clustering basé densité

6.3 PCA : analyse en composantes principales

Module 7 : Introduction aux ensembles (Ensemble Methods)

7.2 Gradient Boosting et XGBoost

7.3 Quand utiliser quel algorithme ?

Module 8 : Déploiement et MLOps

8.2 Créer une API simple avec Flask

8.3 Introduction au MLOps

🛠️ Projet final : Pipeline ML complet

Le reste de la formation est réservé aux inscrits.

S'inscrire gratuitement

Module 1 : Qu'est-ce que le Machine Learning ? Aperçu gratuit

Lecon structuree avec objectifs, contenu, exemples et points cles. Contenu complet en cours de deploiement.

Ceci est un aperçu gratuit.
Voir la formation complète