What you'll learnMaîtriser les compétences essentielles en matière de Data Science (science des données)
Comprendre la Machine Learning (apprentissage automatique) en profondeur
Répliquer des situations du monde réel et reproduire des rapports de données
Apprendre NumPy pour le traitement numérique des données avec Python
Réaliser du feature engineering (ingénierie des caractéristiques/features) sur des études de cas réels
Apprendre à utiliser Pandas pour la manipulation de données avec Python
Créer des algorithmes de Machine Learning supervisé pour prédire des classes (modèles de classification)
Apprendre Matplotlib pour créer des visualisations de données entièrement personnalisées avec Python
Créer des algorithmes de Machine Learning pour prédire des valeurs continues (modèles de régression)
Apprendre Seaborn pour créer de magnifiques diagrammes statistiques avec Python
Construire un portfolio de projets de Data Science et Machine Learning pour avoir un CV efficace et moderne
Apprendre à utiliser Scikit-learn pour appliquer de puissants algorithmes de Machine Learning
Apprendre les meilleures pratiques pour traiter des ensembles de données (datasets) du monde réel
RequirementsConnaissance de base de Python
DescriptionIl s'agit du cours en ligne le plus complet pour apprendre Python, la Data Science (science des données) et le Machine Learning (apprentissage automatique). Rejoignez-nous dès maintenant pour apprendre et maîtriser ces sujets !Que contient ce cours ?Bienvenue dans le cours le plus complet pour apprendre en ligne la Data Science et le Machine Learning ! Cette MasterClass a été conçue pour mettre en place ce qui semble être la meilleure façon de passer de zéro à héros pour la Data Science et le Machine Learning avec Python !Ce cours est conçu pour une personne qui connaît déjà un peu le langage Python et qui est prêt à s'immerger en profondeur dans l'utilisation de ces compétences Python pour la Data Science et le Machine Learning. Le salaire de départ typique d'un data scientist peut dépasser aisément les 100 000 euros annuel, et nous avons créé ce cours pour aider à guider les apprenants vers l'apprentissage d'un ensemble de compétences qui les rendront extrêmement intéressants (et attractifs !) dans le monde du travail actuel.Nous couvrirons tout ce que vous devez savoir sur la stack tech (compétences techniques) complète de Data Science et Machine Learning requise dans les meilleures entreprises du monde. Nos étudiants ont obtenu des emplois chez McKinsey, Facebook, Amazon, Google, Apple, Asana et d'autres grandes entreprises technologiques ! Nous avons structuré le cours en nous appuyant sur notre expérience de l'enseignement en ligne (et en présentiel) afin de proposer une approche claire et structurée. Cela vous guidera pour comprendre non seulement comment utiliser les bibliothèques populaires de Data Science et Machine Learning, mais aussi pourquoi et quand nous les utilisons. Ce cours est un équilibre parfait entre les études de cas pratiques issues du monde réel et la théorie mathématique qui se cache derrière les algorithmes de Machine Learning = 50% Théorique (concepts et mathématiques) - 50% pratique (implémentation code Python)Nous couvrirons des algorithmes de Machine Learning avancés que la plupart des autres cours ne couvrent pas ! Y compris les méthodes de régularisation avancées et les méthodes d'apprentissage non supervisé les plus récentes, telles que le DBSCAN.Ce cours complet est conçu pour être à la hauteur des Bootcamps qui coûtent généralement des milliers d'euros. Il comprendra les sujets suivants :La programmation avec PythonNumPy avec PythonApprentissage complet de Pandas pour l'analyse de donnéesCompréhension complète de la bibliothèque de programmation MatplotlibApprentissage en profondeur de Seaborn pour les visualisations de donnéesMachine Learning avec Scikit-LearnNous sommes extrêmement reconnaissants de la chance que nous avons d'avoir la chance de pouvoir vous enseigner des sujets qui nous passionnent comme la Data Science et le Machine Learning !-Rod, Jose et l'équipe Pierian Data Inc.
OverviewSection 1: Introduction à la MasterClass Data Science & Machine Learning
Lecture 1 Message de bienvenue !
Lecture 2 Programme du cours
Lecture 3 Notice de téléchargement du contenu de la MasterClass (Code Python + Datasets)
Lecture 4 Google Colab
Lecture 5 Accès + Téléchargement + Utilisation de l'ensemble des ressources du cours
Lecture 6 Travail en local avec la distribution Anaconda + Jupyter Notebook
Lecture 7 Mise en place de l'environnement en local sur Conda + Jupyter Notebook / Spyder
Lecture 8 FAQ
Section 2: Python : cours en accéléré (Facultatif)
Lecture 9 Apprendre Python en accéléré (pour rappel ou rafraîchissement)
Lecture 10 Cours accéléré Python - Partie 1
Lecture 11 Cours accéléré Python - Partie 2
Lecture 12 Cours accéléré Python - Partie 3
Lecture 13 Exercices Python
Lecture 14 Solutions - Exercices Python
Lecture 15 Cours Python (CADEAU) - pour aller plus loin
Section 3: Vue d'ensemble du parcours général de Data Science et Machine Learning
Lecture 16 Parcours Data Science et Machine Learning
Section 4: NumPy
Lecture 17 Introduction à la bibliothèque NumPy
Lecture 18 Tableaux ou arrays NumPy
Lecture 19 Indexation et Sélection NumPy
Lecture 20 Opérations NumPy
Lecture 21 Exercices NumPy
Lecture 22 Solutions - Exercices NumPy
Lecture 23 BONUS - TOP 50 des fonctions NumPy
Section 5: Pandas
Lecture 24 Introduction à la bibliothèque Pandas
Lecture 25 Series - Partie 1
Lecture 26 Series - Partie 2
Lecture 27 DataFrames - Partie 1
Lecture 28 DataFrames - Partie 2
Lecture 29 DataFrames - Partie 3
Lecture 30 DataFrames - Partie 4
Lecture 31 Pandas - Filtrage conditionnel
Lecture 32 Pandas - Méthodes utiles - Apply sur une seule colonne
Lecture 33 Pandas - Méthodes utiles - Apply sur des colonnes multiples
Lecture 34 Pandas - Méthodes utiles - Informations statistiques et triage de données
Lecture 35 Données manquantes - Vue d'ensemble
Lecture 36 Données manquantes - Opérations Pandas
Lecture 37 Opérations GroupBy - Partie 1
Lecture 38 Opérations GroupBy - Partie 2 - MultiIndex
Lecture 39 Combinaison de DataFrames - Concaténation
Lecture 40 Combinaison de DataFrames - Fusion interne
Lecture 41 Combinaison de DataFrames - Fusion gauche et droite
Lecture 42 Combinaison de DataFrames - Fusion externe
Lecture 43 Combinaison de DataFrames - Fusion sur un index et des noms de clé différents
Lecture 44 Pandas - Méthodes Text pour données textuelles
Lecture 45 Pandas - Méthodes Time pour des données temporelles
Lecture 46 Pandas Input et Output - Fichiers CSV
Lecture 47 Pandas Input et Output - Tableaux HTML
Lecture 48 Pandas Input et Output - Fichiers Excel
Lecture 49 Pandas Input et Output - Bases de données SQL
Lecture 50 Pandas - Pivot Tables
Lecture 51 Projet Pandas - Présentation
Lecture 52 Solutions - Projet Pandas
Section 6: Matplotlib
Lecture 53 Introduction à la bibliothèque de traçage Matplotlib
Lecture 54 Les bases de Matplotlib
Lecture 55 Matplotlib - Compréhension de l'objet Figure
Lecture 56 Matplotlib - Implémenter des objets Figure et Axes
Lecture 57 Matplotlib - Paramètres d'une Figure
Lecture 58 Matplotlib - Fonctionnalités des sous-parcelles (subplots)
Lecture 59 Style Matplotlib - Légendes
Lecture 60 Style Matplotlib - Couleurs et Styles
Lecture 61 Commandes avancées de Matplotlib (Facultatif)
Lecture 62 Aperçu des exercices Matplotlib
Lecture 63 Solutions Matplotlib
Section 7: Data Viz avec Seaborn
Lecture 64 Introduction à la bibliothèque Seaborn
Lecture 65 Diagrammes de Dispersion - Scatter Plots
Lecture 66 Diagrammes de Distribution - Partie 1 - Les différents types de diagrammes
Lecture 67 Diagrammes de Distribution - Partie 2 - Coder avec Seaborn
Lecture 68 Diagrammes Catégoriels - Statistique au sein des catégories - Compréhension
Lecture 69 Diagrammes Catégoriels - Statistique au sein des catégories - Code Seaborn
Lecture 70 Diagrammes Catégoriels - Distribution au sein de catégories - Compréhension
Lecture 71 Diagrammes Catégoriels - Distribution au sein de catégories - Code Seaborn
Lecture 72 Diagrammes de Comparaison - Compréhension de ce type de diagramme
Lecture 73 Diagrammes de Comparaison - Tracer avec Seaborn
Lecture 74 Seaborn Grids - Grilles de diagrammes
Lecture 75 Diagrammes Matriciels - Matrix Plots
Lecture 76 Aperçu des Exercices Seaborn
Lecture 77 Solutions Seaborn
Section 8: Projet complet d'application en Analyse et Visualisation de Données
Lecture 78 Vue d'ensemble du projet d'application
Lecture 79 Solutions Projet - Partie 1
Lecture 80 Solutions Projet - Partie 2
Lecture 81 Solutions Projet - Partie 3
Section 9: Vue d'ensemble des concepts de Machine Learning
Lecture 82 Introduction au Machine Learning
Lecture 83 Pourquoi le Machine Learning ?
Lecture 84 Types d'algorithmes de Machine Learning
Lecture 85 Processus de Machine Learning supervisé
Lecture 86 Livre d'accompagnement - Introduction à l'apprentissage statistique
Section 10: Régression Linéaire
Lecture 87 Introduction à cette section sur la Régression Linéaire
Lecture 88 Historique de la Régression Linéaire
Lecture 89 Régression Linéaire - Compréhension des Moindres Carrés Ordinaires
Lecture 90 Régression Linéaire - Fonctions de coût
Lecture 91 Régression Linéaire - Descente de Gradient
Lecture 92 Code Python d'une Régression Linéaire Simple
Lecture 93 Vue d'ensemble de la bibliothèque Scikit-Learn
Lecture 94 Régression Linéaire - Fractionnement Entraînement | Test avec Scikit-Learn
Lecture 95 Régression Linéaire - Évaluation de la performance avec Scikit-Learn
Lecture 96 Régression Linéaire - Diagrammes résiduels
Lecture 97 Régression Linéaire - Déploiement d'un modèle et interprétation des coefficients
Lecture 98 Régression Polynomiale - Théorie et motivation
Lecture 99 Régression Polynomiale - Création des Features polynomiales
Lecture 100 Régression Polynomiale - Entraînement et Évaluation
Lecture 101 Compromis Biais - Variance (Overfitting versus Underfitting)
Lecture 102 Régression polynomiale - Choix du degré de polynôme
Lecture 103 Régression Polynomiale - Déploiement du modèle
Lecture 104 Aperçu de la Régularisation
Lecture 105 Feature Scaling - Mise à l'échelle des caractéristiques
Lecture 106 Introduction à la Validation croisée
Lecture 107 Régularisation - Préparation des données
Lecture 108 Régularisation L2 - Régression de Ridge - Théorie
Lecture 109 Régularisation L2 - Régression de Ridge - Implémentation avec Python
Lecture 110 Régularisation L1 - Régression du LASSO - Contexte et implémentation Python
Lecture 111 Régularisation L1 et L2 - Elastic Net
Lecture 112 Projet de Régression Linéaire - Aperçu des données
Section 11: Feature Engineering et Préparation des Données
Lecture 113 Note sur le Feature Engineering et la Préparation de Données
Lecture 114 Introduction au Feature Engineering et à la Préparation de Données (théorie)
Lecture 115 Traitement des Outliers
Lecture 116 Traitement des Données Manquantes - Partie 1 - Evaluation des Données Manquante
Lecture 117 Traitement des Données Manquantes - Partie 2 - Travail sur les lignes de données
Lecture 118 Traitement des Données Manquantes - Partie 3 - En se basant sur les colonnes
Lecture 119 Traitement des Données Catégorielles - Encodage des Options
Section 12: Validation Croisée, Grid Search et Projet de Régression Linéaire
Lecture 120 Aperçu et Introduction de la section
Lecture 121 Validation Croisée - Fractionnement Entraînement | Test
Lecture 122 Validation Croisée - Fractionnement Entraînement | Validation | Test
Lecture 123 Validation Croisée - Cross_val_score
Lecture 124 Validation Croisée - Cross_validate
Lecture 125 Grid Search
Lecture 126 Aperçu du Projet de Régression Linéaire
Lecture 127 Solutions du Projet de Régression Linéaire
Section 13: Régression Logistique
Lecture 128 Introduction à la section de Régression Logistique
Lecture 129 Théorie Régression Logistique - Partie 1 - Fonction logistique
Lecture 130 Théorie Régression Logistique - Partie 2 - Linéaire à Logistique (intuition)
Lecture 131 Théorie Régression Logistique - Partie 3 - Linéaire à Régression (mathématiques)
Lecture 132 Théorie Régression Logistique - Partie 4 - Meilleure ajustement du Modèle
Lecture 133 Régression Logistique avec Scikit-Learn - Partie 1 - EDA
Lecture 134 Régression Logistique avec Scikit-Learn - Partie 2 - Entraînement du Modèle
Lecture 135 Metrics de Classification - Matrice de confusion et Accuracy
Lecture 136 Metrics de Classification - Precision, Recall et F1-Score
Lecture 137 Metrics de Classification - Courbes ROC
Lecture 138 Régression Logistique avec Scikit-Learn - Partie 3 - Évaluation des performances
Lecture 139 Classification Multi-Class avec la Régression Logistique - Partie 1 - EDA
Lecture 140 Classification Multi-Class avec la Régression Logistique - Partie 2 - Modèle
Lecture 141 Projet Régression Logistique - Aperçu des exercices
Lecture 142 Solutions - Projet de Régression Logistique
Section 14: KNN - K Nearest Neighbors
Lecture 143 Introduction à la section KNN
Lecture 144 Classification KNN - Théorie et Intuition
Lecture 145 Code KNN avec Python - Partie 1
Lecture 146 Code KNN avec Python - Partie 2 - Choix de K
Lecture 147 Aperçu du Projet de Classification KNN
Lecture 148 Solutions du Projet de Classification KNN
Section 15: SVM - Support Vector Machines
Lecture 149 Introduction SVM
Lecture 150 L'histoire derrière les Support Vector Machines
Lecture 151 SVM - Théorie et Intuition - Hyperplan et Marges
Lecture 152 SVM - Théorie et Intuition - Noyau (Kernel)
Lecture 153 SVM - Théorie et Intuition - Astuce du Noyau et Mathématiques
Lecture 154 SVM avec Python et Scikit-Learn - Partie 1 de Classification
Lecture 155 SVM avec Python et Scikit-Learn - Partie 2 de Classification
Lecture 156 SVM avec Python et Scikit-Learn - Tâches de Régression
Lecture 157 Aperçu du Projet SVM
Lecture 158 Solutions du Projet SVM
Section 16: Méthodes basées sur des arbres : Decision Tree - Arbre de Décision
Lecture 159 Introduction aux méthodes basées sur des arbres
Lecture 160 Arbre de décision - Histoire
Lecture 161 Arbre de décision - Terminologie
Lecture 162 Arbre de décision - Compréhension de l'impureté de Gini
Lecture 163 Construction d'Arbres de Décision avec l'impureté de Gini - Partie 1
Lecture 164 Construction d'Arbres de Décision avec l'impureté de Gini - Partie 2
Lecture 165 Codage des Arbres de Décision - Partie 1 - Données
Lecture 166 Codage des Arbres de Décision - Partie 2 - Création du Modèle
Section 17: Random Forests
Lecture 167 Introduction aux Random Forests (Forêts Aléatoires)
Lecture 168 Random Forests - Histoire et Motivation
Lecture 169 Random Forests - Hyperparamètres clés
Lecture 170 Random Forests - Nombre d'estimateurs et de Features dans les sous-ensembles
Lecture 171 Random Forests - Le boostraping et l'erreur Out-Of-Bag (Score OOB)
Lecture 172 Codage de la classification avec RandomForestClassifier - Partie 1
Lecture 173 Codage de la classification avec RandomForestClassifier - Partie 2
Lecture 174 Aperçu de la série de sessions sur la régression avec Random Forest
Lecture 175 Codage de la régression Random Forest - Partie 1 - Données et Modèles de base
Lecture 176 Codage de la régression avec une Random Forest - Partie 2 - Polynômes
Lecture 177 Codage de la régression avec une Random Forest - Partie 3 - Modèles avancés
Section 18: Méthodes Boosting
Lecture 178 Introduction à la section Boosting
Lecture 179 Méthodes de Boosting - Motivation et Histoire
Lecture 180 Adaboost - Théorie et Intuition
Lecture 181 Codage Adaboost - Partie 1 - Les données
Lecture 182 Codage Adaboost - Partie 2 - Le modèle
Lecture 183 Théorie du Gradient Boosting
Lecture 184 Guide de codage du Gradient Boosting
Section 19: SECTION BONUS : MERCI
Lecture 185 Aide-mémoire PYTHON pour la DATA SCIENCE
Développeurs Python débutants intéressé par l'apprentissage automatique (Machine Learning),Développeurs Python débutants intéressé par la science des données (Data Science),Tout personne souhaitant apprendre en profondeur Data Science + Machine Learning
Buy Premium Account From My Download Links & Get Fastest Speed.