Description

Machine Learning par la pratique avec Python: Explorez des Projets Réels dans Divers Secteurs

Le livre intitulé "Machine Learning par la pratique avec Python", écrit par Josué Afouda, propose une approche purement pratique du domaine de l'apprentissage automatique (Machine Learning). Publié en format broché le 2 août 2020, cet ouvrage vise à fournir à toute personne les compétences nécessaires pour créer des systèmes d'apprentissage automatique adaptés à son domaine d'intervention spécifique.

Contenu Pratique Couvrant Divers Domaines

Les projets abordés dans ce livre s'étendent sur divers domaines tels que les Finances, l'Immobilier, le Trading, la Santé, le Marketing, et bien plus encore. L'approche pratique se décline à travers plusieurs étapes essentielles dans le processus de construction de modèles d'apprentissage automatique.

Nettoyage de Données Approfondi

Une section importante du livre se consacre au nettoyage des données, une étape cruciale dans tout projet d'apprentissage automatique. Les lecteurs apprendront à nettoyer un jeu de données en le rendant prêt pour la modélisation. Cela inclut le traitement des valeurs manquantes, la détection et suppression des outliers, l'encodage des variables catégorielles, la normalisation des données, et bien d'autres techniques.

Construction et Évaluation de Modèles

Le livre guide les lecteurs à travers la construction de modèles de classification tels que LogisticRegression, RandomForestClassifier, DecisionTreeClassifier, KNeighborsClassifier, ainsi que des modèles de régression tels que LinearRegression, RandomForestRegressor, DecisionTreeRegressor, KNeighborsRegressor, etc. L'évaluation de la performance d'un modèle est également traitée en détail, couvrant des aspects tels que les données d'entraînement et d'évaluation, le choix de la métrique, la validation croisée, et la robustesse du modèle.

Prédictions et Prévisions dans les Séries Temporelles

Le livre explore également des compétences essentielles telles que effectuer des prédictions et modéliser des séries temporelles pour des prévisions précises. Les lecteurs apprendront à rechercher les hyperparamètres optimaux d'un modèle en utilisant des méthodes telles que Grid Search et Random Search. L'automatisation du flux de travail des projets de Machine Learning est également abordée, avec un accent sur des outils tels que TPOT.

Segmentation et Réduction de Dimension

Le livre offre une exploration approfondie de sujets avancés tels que l'automatisation de la sélection du meilleur modèle, la segmentation avec des algorithmes tels que KMeans, et la réduction de la dimension de grands ensembles de données à l'aide de techniques telles que l'ACP (Analyse en Composantes Principales).

Ressources Pratiques et Collaboratives

Les lecteurs ont la possibilité de mettre en pratique les concepts enseignés en téléchargeant toutes les données utilisées dans le livre ainsi que d'autres données via le lien fourni. L'auteur encourage également l'utilisation directe des URL de chaque fichier de données dans les notebooks, dispensant ainsi les utilisateurs du besoin de télécharger les données localement.

En conclusion, "Machine Learning par la pratique avec Python" offre une plongée pratique et approfondie dans le monde de l'apprentissage automatique, couvrant des projets réels dans divers secteurs. C'est une ressource précieuse pour ceux qui souhaitent acquérir des compétences pratiques et applicables dans le domaine en constante évolution du Machine Learning.