🇫🇷 Python pour la Data Science et le Machine Learning: A à Z

🇫🇷 Python pour la Data Science et le Machine Learning: A à Z

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

Language: french

Note: 4.5/5 (21 notes) 3,253 students

Instructor(s): Meta Brains

Last update: 2023-01-06

What you’ll 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

 

Requirements

  • Compétences mathématiques de base
  • Disponibilité, flexibilité et passion pour l’apprentissage
  • Des connaissances de base en python sont un plus mais les débutants sont néanmoins les bienvenus (des rappels python sont fournis)

 

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.

 

Who this course is for

  • Débutants en programmation qui souhaitent étudier toutes les bibliothèques scientifiques en Python de bout en bout (Numpy, Pandas, etc.)
  • Chercheurs intéressés par les bibliothèques Python pour la science des données
  • Les aspirants data scientists qui veulent élargir leurs connaissances
  • Les personnes qui veulent apprendre à analyser et à visualiser des données
  • Programmeurs qui cherchent à ajouter le Machine Learning à leurs compétences
  • Mathématiciens professionnels désireux d’apprendre à analyser des données par programmation
  • Tout passionné de programmation Python souhaitant ajouter des compétences en Machine Learning à son portefeuille

 

Course 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 Å“uvre
    • 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

 

🇫🇷 Python pour la Data Science et le Machine Learning: A à Z🇫🇷 Python pour la Data Science et le Machine Learning: A à Z

Time remaining or 988 enrolls left

 

Don’t miss any coupons by joining our Telegram group 

Udemy Coupon Code 100% off | Udemy Free Course | Udemy offer | Course with certificate