Bienvenue dans les Fondations de l'Apprentissage Automatique, votre guide pratique des techniques fondamentales qui alimentent les solutions basées sur les données. Maîtrisez les domaines clés de l'apprentissage automatique - apprentissage supervisé (prédiction), apprentissage non supervisé (découverte de caractéristiques), prétraitement des données et ingénierie des caractéristiques, et prévision des séries temporelles - en utilisant Pandas, Scikit-learn, Statsmodels et Prophet pour relever les défis du monde réel. À la fin de ce cours, vous serez en mesure : - d'implémenter et d'évaluer les principaux modèles supervisés (par exemple, la régression, la classification, les modèles à base d'arbres et les SVM) pour la prédiction - d'appliquer des méthodes non supervisées (par exemple, K-Means, Isolation Forest) pour la segmentation et la détection d'anomalies - d'effectuer un prétraitement des données robuste : gérer les anomalies et les problèmes d'accès à l'information - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information et des données - d'utiliser des outils de gestion de l'information, K-Means, Isolation Forest) pour la segmentation et la détection d'anomalies - Effectuer un prétraitement robuste des données : traiter les données manquantes, encoder les catégories, mettre à l'échelle les caractéristiques et appliquer la réduction de la dimensionnalité (ACP) - Construire et analyser les prévisions de séries temporelles avec ARIMA, lissage exponentiel, Holt-Winters et Prophet - Grâce à des exercices pratiques et à un projet capstone de prédiction des achats des clients, vous développerez des compétences polyvalentes pour relever en toute confiance les défis courants en matière d'apprentissage automatique.