Python pour la Data Science et le Machine Learning: A à Z
Cours complet sur la Data Science et le Machine Learning pour maîtriser l'analyse de données et le Machine Learning
4.22 (105 reviews)
15,665
students
4.5 hours
content
Jan 2023
last update
$49.99
regular price
What you will learn
Utiliser les bibliothèques scientifiques de Python, notamment NumPy, Pandas, et Matplotlib
Transformer une colonne à l'aide de Pandas pour manipuler les données. Utilisez le DataFrame Sorter pour trier et normaliser une colonne numérique
Analyser des données du monde réel
Utiliser Pandas pour lire un jeu de données ou un DataFrame pour l'exploration. Choisissez une colonne ou une ligne pour trier le DataFrame
Utiliser NumPy pour effectuer des analyses statistiques sur vos données (effectuer des comparaisons, sélectionner des éléments, remplacer des valeurs, etc.)
Dessiner, adapter et analyser des courbes basées sur des exemples concrets
Maîtriser des tableaux NumPy (lire un jeu de données, extraire une valeur, extraire un vecteur, extraire une matrice...)
Réindexer un DataFrame
Apprenez à utiliser différents frameworks en Python pour résoudre des problèmes du monde réel à l'aide du Machine Learning et de l'intelligence artificielle
Faire des prédictions à l'aide de la régression linéaire, de la régression polynomiale et de la régression multivariée
Apprenez les bases de la théorie du Machine Learning
Apprenez à utiliser le Machine Learning en Python
Description
Python est reconnu comme l'un des meilleurs langages de programmation pour sa flexibilité. Il fonctionne dans presque tous les domaines, du développement Web au développement d'applications financières. Cependant, ce n'est un secret pour personne que la meilleure application de Python est dans les tâches de data science, d'analyse de données et de Machine Learning.
Bien que Python facilite l'utilisation du Machine Learning et de l'analyse de données, il sera toujours assez frustrant pour quelqu'un qui n'a aucune connaissance du fonctionnement de l'apprentissage automatique.
Si vous avez envie d'apprendre l'analyse de données et le Machine Learning avec Python, ce cours est fait pour vous. Ce cours vous aidera à apprendre à créer des programmes qui acceptent la saisie de données et automatisent l'extraction de fonctionnalités, simplifiant ainsi les tâches du monde réel pour les humains.
Il existe des centaines de ressources d'apprentissage automatique disponibles sur Internet. Cependant, vous risquez d'apprendre des leçons inutiles si vous ne filtrez pas ce que vous apprenez. Lors de la création de ce cours, nous avons tout filtré pour isoler les bases essentielles dont vous aurez besoin dans votre parcours d'apprentissage en profondeur.
C'est un cours de base qui convient aussi bien aux débutants qu'aux experts. Si vous êtes à la recherche d'un cours qui commence par les bases et passe aux sujets avancés, c'est le meilleur cours pour vous.
Il enseigne uniquement ce dont vous avez besoin pour vous lancer dans l'apprentissage automatique et l'analyse de données sans fioritures. Bien que cela aide à garder le cours assez concis, il s'agit de tout ce dont vous avez besoin pour commencer avec le sujet.
Content
Rappels sur le langage Python
Bienvenue au cours
Introduction à Python pour la Data Science
Installation de Python pour la Data Science
Qu'est-ce que Jupyter Notebook ?
Installation d'Anaconda sur Windows, Mac & Ubuntu
Implémentation de Python dans Jupyter
Gestion des Répertoires dans Jupyter Notebook
Entrée-Sortie
Différents Types de Données
Variables
Opérateurs Arithmétiques
Opérateurs de Comparaison
Opérateurs Logiques
Instructions Conditionnelles
Boucles
Séquences : Listes
Séquences : Dictionnaires
Séquences : N-uplets
Fonctions intégrées
Fonctions définis par l'utilisateur
Supports de Cours: Python pour la Data Science
Bibliothèques Python essentielles pour la science des données
Installation des bibliothèques
Importation de bibliothèques
Bibliothèque Pandas pour la Data Science
Bibliothèque NumPy pour la Data Science
Pandas vs NumPy
Bibliothèque Matplotlib pour la Data Science
Bibliothèque Seaborn pour la Data Science
Fondamentaux de NumPy
Introduction au tableaux NumPy
Création de tableaux NumPy
Indexation des tableaux NumPy
Forme du tableau
Itération sur des tableaux NumPy
Mathématiques pour la Science des Données
.zeros()
.ones()
.full()
Addition d'un scalaire
Soustraction d'un scalaire
Multiplication par un scalaire
Diviser par un scalaire
Puissance
Transposée
Addition par éléments
Soustraction par éléments
Multiplication par éléments
Division par éléments
Multiplication matricielle
Statistiques
Dataframes avec Pandas et Séries
Introduction
Structure de données Pandas
Qu'est-ce que le DataFrame Pandas ?
Qu'est-ce qu’une Série Pandas ?
DataFrame et Séries
Création d'un DataFrame en utilisant des listes
Création d'un DataFrame à l'aide d'un dictionnaire
Chargement d'un fichier csv en tant que DataFrame
Changer la colonne d'index
Inplace
Examen du Dataframe
Résumé Statistique
Opérateur pour le découpage en rangs
Opérateur pour l'indexation des colonnes
Listes Booléennes
Filtrage des lignes
Filtrer les rangs en utilisant l'opérateur AND et OR
Filtrer avec loc
Filtrer avec iloc pour le découpage en tranches
Ajout et suppression de lignes et de colonnes
Triage des valeurs
Exportation de DataFrame pandas en csv
Concaténation de DataFrames
Groupby()
Introduction au Machine Learning
Qu’est-ce que le Machine Learning ?
Applications du Machine Learning
Méthodes de Machine Learning
Qu’est-ce que l’apprentissage supervisé ?
Qu’est-ce que l’apprentissage non supervisé ?
Apprentissage supervisé vs apprentissage non supervisé
Implémentation d’algorithmes ML en Python
Introduction
Bibliothèques Python pour le Machine Learning
Régression linéaire simple
Introduction à la régression
Comment fonctionne la régression linéaire ?
Représentation de ligne
Implémentation en python : Importation de bibliothèques et de jeux de données
Implémentation en python : Distribution des données
Implémentation en python : Créer un objet de régression linéaire
Régression linéaire multiple
Comprendre la régression linéaire multiple
Implémentation en python : exploration du jeu de données
Implémentation en python : codage de données catégorielles
Implémentation en python : fractionnement des données en ensembles de formation
Implémentation en python : Formation du modèle sur l’ensemble d’entrainement.
Implémentation en python : prédiction des résultats de l’ensemble de tests
Évaluation des performances du modèle de régression
Erreur quadratique moyenne racine en Python
Algorithmes de classification : K-Plus proches voisins
Introduction à la classification
Algorithme K-Plus proches voisins (KNN)
Exemple de KNN
K-Nearest Neighbours (KNN) en utilisant python
Implémentation en python : importation des bibliothèques requises
Implémentation en python : importation du jeu de données
Implémentation en python : fractionnement des données en ensembles de formation
Implémentation en python : mise à l’échelle des fonctionnalités
Implémentation en python : Importation du classificateur KNN
Implémentation en python : Prédiction des résultats & Matrice de confusion
Algorithmes de classification : Arbre de décision
Introduction aux arbres de décision
Qu’est-ce que l’entropie ?
Exploration de l’ensemble de données
Arborescence des décisions
Implémentation en python : Importation de bibliothèques et de jeux de données
Implémentation en python : codage de données catégorielles
Implémentation en python : fractionnement des données en ensembles de formation
Implémentation en python: prédiction et précision des résultats
Algorithmes de classification : régression logistique
Introduction
Étapes de mise en œuvre
Implémentation en python : Importation de bibliothèques et de jeux de données
Implémentation en python : fractionnement des données en ensembles de formation
Implémentation en python : Pre-processing
Implémentation en python : Formation du modèle
Implémentation en python : Prédiction des résultats & Matrice de confusion
Régression logistique vs Régression linéaire
Clustering
Introduction au clustering
Cas d’utilisation
Algorithme de clustering K-Means
Méthode du coude
Étapes de la méthode du coude
Implémentation en python
Regroupement hiérarchique
Clustering basé sur la densité
Implémentation du clustering k-means en python
Importation du jeu de données
Visualisation du jeu de données
Définition du classificateur
Visualisation 3D des clusters
Visualisation 3D des valeurs prédites
Nombre de clusters prédits
Système de recommandation
Introduction
Filtrage collaboratif dans les systèmes de recommandation
Système de recommandation basé sur le contenu
Implémentation en python : Importation de bibliothèques et de jeux de données
Fusion de jeux de données en une seule trame de données
Tri par titre et notation
Histogramme indiquant le nombre d’évaluations
Distribution des fréquences
Graphique combiné des notations et nombre de notations
Prétraitement des données
Tri des films les mieux notés
Obtenez les notes pour deux films
Corrélation entre les films les mieux notés
Tri des données par corrélation
Filtrage des films
Tri des valeurs
Répéter le processus pour un autre film
Conclusion
Conclusion
Reviews
He
July 15, 2023
le cours est sympa mais les concepts sont survolés et les répétitions de code n'apportent aucune valeur ajoutée
Cecile
May 22, 2023
Très déçu !!
Pas mal de fausses notes dans presque toutes les vidéos entre ce que la voix off dit et ce que l'écran nous montre : des erreurs dans l'écriture du programmes qui sont corrigées dans la vidéo suivante sans même que cela ne soit expliqué ou même signalé.
Trop peu d'explications sur ce qui est fait et pourquoi, mais cela s'explique par le fait que la voix off ne fait que lire sans comprendre ce qu'elle lit.
des erreurs de prononciation trop de passages entre l'anglais et le français pour les explications, les commentaires dans le code etc. sans que cela ne soit expliqué à aucun moment.
On perds en qualité d'apprentissage car il faut resté constamment en alerte et ne pas prendre ce que dit la voix off dit pour argent comptant et toujours vérifier si c'est vrai :
Conclusion: Le principe "d'apprentissage" est caduque puisque nous ne somme pas sensé recevoir des informations déceptives et ou incomplètes lorsque nous nous formons sur un sujet auprès d'un organisme sensé vérifier le contenu de ses formations pour proposer de la qualité.
Ce qui est le cas sur cette formation et bien trop souvent malheureusement, ce qui renvoi une image d'amateurisme assez désolante d'UDEMY.
Soit vous corrigez la formation soit vous arrêtez de la vendre aux gens à ce niveau c'est très limite quand même.
L.
March 13, 2023
Explications claires et slides bien présenté pour la majorité du cours, cependant sur certains exercices (qui viennent Meta Brains) certains exemples ne sont pas toujours explicités à fond (ex sur le clustering, des exemples sont éludés par rapport au cours original, on se retrouve avec des erreurs de code notamment pour la visualisation 3D des clusters avec x[:, 2] qui n'existe pas dans notre exemple car x ne possède que 2 colonnes etc.)
Sinon je recommande pour une bonne introduction à la Data Science !
Jorge
December 27, 2022
Excellent material, clear and simple explanations. Perfectly spoken French (I'm learning the language and I understand almost everything!)
Coupons
| Submit by | Date | Coupon Code | Discount | Emitted/Used | Status |
|---|---|---|---|---|---|
| - | 12/12/2022 | C5D8B0FD8928BDB69AE2 | 100% OFF | 1000/966 | expired |
| - | 12/15/2022 | 03831E3D413559DE458D | 100% OFF | 1000/442 | expired |
| - | 12/25/2022 | E2EB1779CE93FA829DF9 | 100% OFF | 1000/997 | expired |
| Angelcrc Seven | 1/8/2023 | C94AEE7ED01D43F4E360 | 100% OFF | 1000/771 | expired |
| - | 1/23/2023 | JANNEWYEARRES23 | 100% OFF | 1000/273 | expired |
| - | 2/1/2023 | 90FF5C277C349F76F0E1 | 100% OFF | 1000/677 | expired |
| - | 2/6/2023 | FEB-BESTDEALS | 100% OFF | 1000/564 | expired |
| - | 3/7/2023 | SPRING23 | 100% OFF | 1000/781 | expired |
| - | 3/18/2023 | MARCH-BARGAIN | 100% OFF | 1000/69 | expired |
| - | 3/21/2023 | MARCH-SAINTPATRICK | 100% OFF | 1000/938 | expired |
| - | 4/6/2023 | EDUEASTER | 100% OFF | 1000/845 | expired |
| - | 4/14/2023 | BBAAC5E4CD0C92FDFD0E | 100% OFF | 1000/48 | expired |
| - | 5/19/2023 | F5D9E4B99EBB71751FE4 | 100% OFF | 1000/61 | expired |
| - | 5/28/2023 | 983F6D04CD541329F2F3 | 100% OFF | 1000/452 | expired |
| - | 6/7/2023 | 19D0F6FA232A2ADB2B80 | 100% OFF | 1000/44 | expired |
| - | 6/15/2023 | F25689C52AEF42481C1A | 100% OFF | 1000/69 | expired |
| - | 6/29/2023 | 782482F461B64E6DF2F6 | 100% OFF | 1000/581 | expired |
| - | 7/30/2023 | 8AD2345F937DBEC6A111 | 100% OFF | 1000/102 | expired |
| - | 7/30/2023 | 9F099BD4E85D76E59279 | 100% OFF | 1000/4 | expired |
| - | 8/5/2023 | KRWQTZSNTECVW | 100% OFF | 1000/382 | expired |
| - | 8/14/2023 | AUGU39STINFERNO | 100% OFF | 1000/227 | expired |
| - | 8/28/2023 | AUGUSTMAGIC35 | 100% OFF | 1000/300 | expired |
| - | 9/3/2023 | BEACHGOODBYE15 | 100% OFF | 1000/344 | expired |
| - | 9/10/2023 | SCHOOLDRIVE145 | 100% OFF | 1000/343 | expired |
| - | 10/14/2023 | HAUNTEDHOUSE185 | 100% OFF | 1000/702 | expired |
| - | 10/28/2023 | CHILLINCHIC102736 | 100% OFF | 1000/528 | expired |
| - | 11/11/2023 | AUTUMN37AROMA | 100% OFF | 1000/409 | expired |
Charts
Price
Rating
Enrollment distribution
Related Topics
5012842
udemy ID
12/6/2022
course created date
12/11/2022
course indexed date
Bot
course submited by