Data Science et Machine Learning | MasterClass Python
- Objectifs pédagogiques
- Sections du cours
- Avis
Il 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 Python
-
NumPy avec Python
-
Apprentissage complet de Pandas pour l’analyse de données
-
Compréhension complète de la bibliothèque de programmation Matplotlib
-
Apprentissage en profondeur de Seaborn pour les visualisations de données
-
Machine Learning avec Scikit-Learn
Nous 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.
-
1Message de bienvenue !Leçon de texte
-
2Programme du coursLeçon de texte
-
3Notice de téléchargement du contenu de la MasterClass (Code Python + Datasets)Leçon de texte
-
4Google ColabLeçon vidéo
-
5Accès + Téléchargement + Utilisation de l'ensemble des ressources du coursLeçon vidéo
-
6Travail en local avec la distribution Anaconda + Jupyter NotebookLeçon vidéo
-
7Mise en place de l'environnement en local sur Conda + Jupyter Notebook / SpyderLeçon vidéo
-
8FAQLeçon de texte
-
9Apprendre Python en accéléré (pour rappel ou rafraîchissement)Leçon de texte
-
10Cours accéléré Python - Partie 1Leçon vidéo
-
11Cours accéléré Python - Partie 2Leçon vidéo
-
12Cours accéléré Python - Partie 3Leçon vidéo
-
13Exercices PythonLeçon vidéo
-
14Solutions - Exercices PythonLeçon vidéo
-
15CHALLENGE PYTHON 30 JOURS (OFFERT)Leçon de texte
-
25Introduction à la bibliothèque PandasLeçon vidéo
-
26Series - Partie 1Leçon vidéo
-
27Series - Partie 2Leçon vidéo
-
28DataFrames - Partie 1Leçon vidéo
-
29DataFrames - Partie 2Leçon vidéo
-
30DataFrames - Partie 3Leçon vidéo
-
31DataFrames - Partie 4Leçon vidéo
-
32Pandas - Filtrage conditionnelLeçon vidéo
-
33Pandas - Méthodes utiles - Apply sur une seule colonneLeçon vidéo
-
34Pandas - Méthodes utiles - Apply sur des colonnes multiplesLeçon vidéo
-
35Pandas - Méthodes utiles - Informations statistiques et triage de donnéesLeçon vidéo
-
36Données manquantes - Vue d'ensembleLeçon vidéo
-
37Données manquantes - Opérations PandasLeçon vidéo
-
38Opérations GroupBy - Partie 1Leçon vidéo
-
39Opérations GroupBy - Partie 2 - MultiIndexLeçon vidéo
-
40Combinaison de DataFrames - ConcaténationLeçon vidéo
-
41Combinaison de DataFrames - Fusion interneLeçon vidéo
-
42Combinaison de DataFrames - Fusion gauche et droiteLeçon vidéo
-
43Combinaison de DataFrames - Fusion externeLeçon vidéo
-
44Combinaison de DataFrames - Fusion sur un index et des noms de clé différentsLeçon vidéo
-
45Pandas - Méthodes Text pour données textuellesLeçon vidéo
-
46Pandas - Méthodes Time pour des données temporellesLeçon vidéo
-
47Pandas Input et Output - Fichiers CSVLeçon vidéo
-
48Pandas Input et Output - Tableaux HTMLLeçon vidéo
-
49Pandas Input et Output - Fichiers ExcelLeçon vidéo
-
50Pandas Input et Output - Bases de données SQLLeçon vidéo
-
51Pandas - Pivot TablesLeçon vidéo
-
52Projet Pandas - PrésentationLeçon vidéo
-
53Solutions - Projet PandasLeçon vidéo
-
54Introduction à la bibliothèque de traçage MatplotlibLeçon vidéo
-
55Les bases de MatplotlibLeçon vidéo
-
56Matplotlib - Compréhension de l'objet FigureLeçon vidéo
-
57Matplotlib - Implémenter des objets Figure et AxesLeçon vidéo
-
58Matplotlib - Paramètres d'une FigureLeçon vidéo
-
59Matplotlib - Fonctionnalités des sous-parcelles (subplots)Leçon vidéo
-
60Style Matplotlib - LégendesLeçon vidéo
-
61Style Matplotlib - Couleurs et StylesLeçon vidéo
-
62Commandes avancées de Matplotlib (Facultatif)Leçon vidéo
-
63Aperçu des exercices MatplotlibLeçon vidéo
-
64Solutions MatplotlibLeçon vidéo
-
65Introduction à la bibliothèque SeabornLeçon vidéo
-
66Diagrammes de Dispersion - Scatter PlotsLeçon vidéo
-
67Diagrammes de Distribution - Partie 1 - Les différents types de diagrammesLeçon vidéo
-
68Diagrammes de Distribution - Partie 2 - Coder avec SeabornLeçon vidéo
-
69Diagrammes Catégoriels - Statistique au sein des catégories - CompréhensionLeçon vidéo
-
70Diagrammes Catégoriels - Statistique au sein des catégories - Code SeabornLeçon vidéo
-
71Diagrammes Catégoriels - Distribution au sein de catégories - CompréhensionLeçon vidéo
-
72Diagrammes Catégoriels - Distribution au sein de catégories - Code SeabornLeçon vidéo
-
73Diagrammes de Comparaison - Compréhension de ce type de diagrammeLeçon vidéo
-
74Diagrammes de Comparaison - Tracer avec SeabornLeçon vidéo
-
75Seaborn Grids - Grilles de diagrammesLeçon vidéo
-
76Diagrammes Matriciels - Matrix PlotsLeçon vidéo
-
77Aperçu des Exercices SeabornLeçon vidéo
-
78Solutions SeabornLeçon vidéo
-
88Introduction à cette section sur la Régression LinéaireLeçon vidéo
-
89Historique de la Régression LinéaireLeçon vidéo
-
90Régression Linéaire - Compréhension des Moindres Carrés OrdinairesLeçon vidéo
-
91Régression Linéaire - Fonctions de coûtLeçon vidéo
-
92Régression Linéaire - Descente de GradientLeçon vidéo
-
93Code Python d'une Régression Linéaire SimpleLeçon vidéo
-
94Vue d'ensemble de la bibliothèque Scikit-LearnLeçon vidéo
-
95Régression Linéaire - Fractionnement Entraînement | Test avec Scikit-LearnLeçon vidéo
-
96Régression Linéaire - Évaluation de la performance avec Scikit-LearnLeçon vidéo
-
97Régression Linéaire - Diagrammes résiduelsLeçon vidéo
-
98Régression Linéaire - Déploiement d'un modèle et interprétation des coefficientsLeçon vidéo
-
99Régression Polynomiale - Théorie et motivationLeçon vidéo
-
100Régression Polynomiale - Création des Features polynomialesLeçon vidéo
-
101Régression Polynomiale - Entraînement et ÉvaluationLeçon vidéo
-
102Compromis Biais - Variance (Overfitting versus Underfitting)Leçon vidéo
-
103Régression polynomiale - Choix du degré de polynômeLeçon vidéo
-
104Régression Polynomiale - Déploiement du modèleLeçon vidéo
-
105Aperçu de la RégularisationLeçon vidéo
-
106Feature Scaling - Mise à l'échelle des caractéristiquesLeçon vidéo
-
107Introduction à la Validation croiséeLeçon vidéo
-
108Régularisation - Préparation des donnéesLeçon vidéo
-
109Régularisation L2 - Régression de Ridge - ThéorieLeçon vidéo
-
110Régularisation L2 - Régression de Ridge - Implémentation avec PythonLeçon vidéo
-
111Régularisation L1 - Régression du LASSO - Contexte et implémentation PythonLeçon vidéo
-
112Régularisation L1 et L2 - Elastic NetLeçon vidéo
-
113Projet de Régression Linéaire - Aperçu des donnéesLeçon vidéo
-
114Note sur le Feature Engineering et la Préparation de DonnéesLeçon de texte
-
115Introduction au Feature Engineering et à la Préparation de Données (théorie)Leçon vidéo
-
116Traitement des OutliersLeçon vidéo
-
117Traitement des Données Manquantes - Partie 1 - Evaluation des Données ManquanteLeçon vidéo
-
118Traitement des Données Manquantes - Partie 2 - Travail sur les lignes de donnéesLeçon vidéo
-
119Traitement des Données Manquantes - Partie 3 - En se basant sur les colonnesLeçon vidéo
-
120Traitement des Données Catégorielles - Encodage des OptionsLeçon vidéo
-
121Aperçu et Introduction de la sectionLeçon vidéo
-
122Validation Croisée - Fractionnement Entraînement | TestLeçon vidéo
-
123Validation Croisée - Fractionnement Entraînement | Validation | TestLeçon vidéo
-
124Validation Croisée - Cross_val_scoreLeçon vidéo
-
125Validation Croisée - Cross_validateLeçon vidéo
-
126Grid SearchLeçon vidéo
-
127Aperçu du Projet de Régression LinéaireLeçon vidéo
-
128Solutions du Projet de Régression LinéaireLeçon vidéo
-
129Introduction à la section de Régression LogistiqueLeçon vidéo
-
130Théorie Régression Logistique - Partie 1 - Fonction logistiqueLeçon vidéo
-
131Théorie Régression Logistique - Partie 2 - Linéaire à Logistique (intuition)Leçon vidéo
-
132Théorie Régression Logistique - Partie 3 - Linéaire à Régression (mathématiques)Leçon vidéo
-
133Théorie Régression Logistique - Partie 4 - Meilleure ajustement du ModèleLeçon vidéo
-
134Régression Logistique avec Scikit-Learn - Partie 1 - EDALeçon vidéo
-
135Régression Logistique avec Scikit-Learn - Partie 2 - Entraînement du ModèleLeçon vidéo
-
136Metrics de Classification - Matrice de confusion et AccuracyLeçon vidéo
-
137Metrics de Classification - Precision, Recall et F1-ScoreLeçon vidéo
-
138Metrics de Classification - Courbes ROCLeçon vidéo
-
139Régression Logistique avec Scikit-Learn - Partie 3 - Évaluation des performancesLeçon vidéo
-
140Classification Multi-Class avec la Régression Logistique - Partie 1 - EDALeçon vidéo
-
141Classification Multi-Class avec la Régression Logistique - Partie 2 - ModèleLeçon vidéo
-
142Projet Régression Logistique - Aperçu des exercicesLeçon vidéo
-
143Solutions - Projet de Régression LogistiqueLeçon vidéo
-
144Introduction à la section KNNLeçon vidéo
-
145Classification KNN - Théorie et IntuitionLeçon vidéo
-
146Code KNN avec Python - Partie 1Leçon vidéo
-
147Code KNN avec Python - Partie 2 - Choix de KLeçon vidéo
-
148Aperçu du Projet de Classification KNNLeçon vidéo
-
149Solutions du Projet de Classification KNNLeçon vidéo
-
150Introduction SVMLeçon vidéo
-
151L'histoire derrière les Support Vector MachinesLeçon vidéo
-
152SVM - Théorie et Intuition - Hyperplan et MargesLeçon vidéo
-
153SVM - Théorie et Intuition - Noyau (Kernel)Leçon vidéo
-
154SVM - Théorie et Intuition - Astuce du Noyau et MathématiquesLeçon vidéo
-
155SVM avec Python et Scikit-Learn - Partie 1 de ClassificationLeçon vidéo
-
156SVM avec Python et Scikit-Learn - Partie 2 de ClassificationLeçon vidéo
-
157SVM avec Python et Scikit-Learn - Tâches de RégressionLeçon vidéo
-
158Aperçu du Projet SVMLeçon vidéo
-
159Solutions du Projet SVMLeçon vidéo
-
160Introduction aux méthodes basées sur des arbresLeçon vidéo
-
161Arbre de décision - HistoireLeçon vidéo
-
162Arbre de décision - TerminologieLeçon vidéo
-
163Arbre de décision - Compréhension de l'impureté de GiniLeçon vidéo
-
164Construction d'Arbres de Décision avec l'impureté de Gini - Partie 1Leçon vidéo
-
165Construction d'Arbres de Décision avec l'impureté de Gini - Partie 2Leçon vidéo
-
166Codage des Arbres de Décision - Partie 1 - DonnéesLeçon vidéo
-
167Codage des Arbres de Décision - Partie 2 - Création du ModèleLeçon vidéo
-
168Introduction aux Random Forests (Forêts Aléatoires)Leçon vidéo
-
169Random Forests - Histoire et MotivationLeçon vidéo
-
170Random Forests - Hyperparamètres clésLeçon vidéo
-
171Random Forests - Nombre d'estimateurs et de Features dans les sous-ensemblesLeçon vidéo
-
172Random Forests - Le boostraping et l'erreur Out-Of-Bag (Score OOB)Leçon vidéo
-
173Codage de la classification avec RandomForestClassifier - Partie 1Leçon vidéo
-
174Codage de la classification avec RandomForestClassifier - Partie 2Leçon vidéo
-
175Aperçu de la série de sessions sur la régression avec Random ForestLeçon vidéo
-
176Codage de la régression Random Forest - Partie 1 - Données et Modèles de baseLeçon vidéo
-
177Codage de la régression avec une Random Forest - Partie 2 - PolynômesLeçon vidéo
-
178Codage de la régression avec une Random Forest - Partie 3 - Modèles avancésLeçon vidéo
-
179Introduction à la section BoostingLeçon vidéo
-
180Méthodes de Boosting - Motivation et HistoireLeçon vidéo
-
181Adaboost - Théorie et IntuitionLeçon vidéo
-
182Codage Adaboost - Partie 1 - Les donnéesLeçon vidéo
-
183Codage Adaboost - Partie 2 - Le modèleLeçon vidéo
-
184Théorie du Gradient BoostingLeçon vidéo
-
185Guide de codage du Gradient BoostingLeçon vidéo