Machine learning : les fondamentaux
Avec plus de 200 extraits de code et des dizaines de notes techniques, ce guide de référence pratique se propose de vous aider à tracer votre route dans le domaine de l'apprentissage machine avec des données structurées. Son auteur, Matt Harrison, a produit un guide précieux qui va constituer une ressource utile dans vos prochains projets de datalogie.
Destiné aux programmeurs, aux datalogues et aux ingénieurs en science des données, le livre aborde toutes les techniques actuelles de traitement et de visualisation de données structurées fondées sur l'approche de classification ou sur celle de régression. Il met à contribution des dizaines de librairies spécifiques.
- Techniques de classification avec le jeu de données Titanic
- Nettoyage des données et traitement des manquants
- Analyse exploratoire de données
- Prétraitements, confinement et variables factices
- Sélection de caractéristiques, colinéarité et PCA
- Modèles de classification (bayésien, SVM, KNN, forêts, etc.)
- Métriques et évaluation d'une classification
- Modèles de régression (XGBoost, arbre de décision, SVM, KNN, etc.)
- Métriques et évaluation d'une régression (hétéroscédasticité, résidus)
- Regroupement clustering (k-moyennes, analyse de grappes)
- Réduction de dimensionnalité (PCA, UMAP, T-SNE, PHATE)
- Pipelines de Scikit-learn
