Dans ce module, nous rafraîchirons vos connaissances en statistiques et en probabilités, en mettant l'accent sur les pratiques de Python pour appliquer ces concepts. Vous explorerez les types de données, les mesures statistiques clés, les distributions de données courantes et les visualisations avancées, tout en travaillant avec des bibliothèques Python telles que matplotlib et Seaborn. En outre, vous apprendrez des concepts de probabilité essentiels tels que la covariance, la corrélation, la probabilité conditionnelle et le théorème de Bayes, en les appliquant dans des exemples du monde réel.

Dans ce module, nous plongerons dans le monde de la modélisation prédictive, en commençant par la régression linéaire et polynomiale pour faire des prédictions à partir d'un échantillon de données. Vous apprendrez également à travailler avec des modèles de régression multiple en Python pour prédire des valeurs basées sur plusieurs attributs, comme le prix des voitures. Enfin, nous vous présenterons le concept des modèles multiniveaux, en vous donnant un aperçu de cette approche de modélisation avancée.

Dans ce module, nous vous guiderons à travers divers concepts et techniques d'apprentissage automatique à l'aide de Python, en commençant par l'apprentissage supervisé et non supervisé. Vous apprendrez à mettre en œuvre des modèles tels que la Classification naïve bayésienne, le clustering K-moyennes et les arbres décisionnels, tout en plongeant dans des méthodes plus avancées telles que XGBoost et les Support Vector Machines (SVM). En outre, nous aborderons l'Apprentissage ensembliste et la manière de combiner plusieurs modèles pour obtenir de meilleurs résultats, ce qui vous permettra d'acquérir les compétences nécessaires pour vous attaquer à toute une série de tâches d'apprentissage automatique.

Dans ce module, nous explorerons les concepts fondamentaux des systèmes de recommandation, en nous concentrant sur les techniques de filtrage collaboratif basées sur l'utilisateur et sur l'élément. Vous travaillerez avec des ensembles de données réels, tels que MovieLens, pour appliquer la similarité en cosinus et construire votre propre système de recommandation de films. Nous vous guiderons également pour affiner la précision de vos recommandations et vous donnerons l'occasion d'améliorer le système avec vos propres idées.