Séance de cours
Régression logistique : Fondements et applications
Séances de cours associées (428)
Introduction à la science des données
Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.
Classification de l'arbre de décision
Couvre la classification de l'arbre de décision à l'aide de KNIME Analytics Platform pour le prétraitement des données et la création de modèles.
Régression logistique : prédiction de la végétation
Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.
Visualisation de la science des données avec Pandas
Couvre la manipulation et l'exploration de données à l'aide de Python en mettant l'accent sur les techniques de visualisation.
Régression logistique : fonctions de coût et optimisation
Explore la régression logistique, les fonctions de coût, la descente en gradient et la modélisation de probabilité à l'aide de la fonction sigmoïde logistique.
Arbres de décision: Classification
Explore les arbres de décision pour la classification, l'entropie, le gain d'information, l'encodage à chaud, l'optimisation de l'hyperparamètre et les forêts aléatoires.
Compréhension des courbes ROC
Explore la courbe ROC, le taux vrai positif, le taux faux positif et les probabilités de prédiction dans les modèles de classification.
Listes de Python : Manipulation et Compréhension
Couvre la manipulation et la compréhension de la liste Python, mettant l'accent sur la représentation de la mémoire et la mutabilité.
Cadres de données Spark
Couvre les cadres de données Spark, les collections distribuées de données organisées en colonnes nommées, et les avantages de les utiliser sur les DDR.
Régression linéaire : Fondements et applications
Explore les fondamentaux de la régression linéaire, la formation des modèles, l'évaluation et les mesures du rendement, en soulignant l'importance de la R2, du MSE et de l'EAM.