Data Science et Machine Learning | MasterClass Python
- الوصف
- أقسام الدرس
- رأي
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 !درس نصي
-
2Programme du coursدرس نصي
-
3Notice de téléchargement du contenu de la MasterClass (Code Python + Datasets)درس نصي
-
4Google Colabدرس فيديو
-
5Accès + Téléchargement + Utilisation de l'ensemble des ressources du coursدرس فيديو
-
6Travail en local avec la distribution Anaconda + Jupyter Notebookدرس فيديو
-
7Mise en place de l'environnement en local sur Conda + Jupyter Notebook / Spyderدرس فيديو
-
8FAQدرس نصي
-
9Apprendre Python en accéléré (pour rappel ou rafraîchissement)درس نصي
-
10Cours accéléré Python - Partie 1درس فيديو
-
11Cours accéléré Python - Partie 2درس فيديو
-
12Cours accéléré Python - Partie 3درس فيديو
-
13Exercices Pythonدرس فيديو
-
14Solutions - Exercices Pythonدرس فيديو
-
15CHALLENGE PYTHON 30 JOURS (OFFERT)درس نصي
-
25Introduction à la bibliothèque Pandasدرس فيديو
-
26Series - Partie 1درس فيديو
-
27Series - Partie 2درس فيديو
-
28DataFrames - Partie 1درس فيديو
-
29DataFrames - Partie 2درس فيديو
-
30DataFrames - Partie 3درس فيديو
-
31DataFrames - Partie 4درس فيديو
-
32Pandas - Filtrage conditionnelدرس فيديو
-
33Pandas - Méthodes utiles - Apply sur une seule colonneدرس فيديو
-
34Pandas - Méthodes utiles - Apply sur des colonnes multiplesدرس فيديو
-
35Pandas - Méthodes utiles - Informations statistiques et triage de donnéesدرس فيديو
-
36Données manquantes - Vue d'ensembleدرس فيديو
-
37Données manquantes - Opérations Pandasدرس فيديو
-
38Opérations GroupBy - Partie 1درس فيديو
-
39Opérations GroupBy - Partie 2 - MultiIndexدرس فيديو
-
40Combinaison de DataFrames - Concaténationدرس فيديو
-
41Combinaison de DataFrames - Fusion interneدرس فيديو
-
42Combinaison de DataFrames - Fusion gauche et droiteدرس فيديو
-
43Combinaison de DataFrames - Fusion externeدرس فيديو
-
44Combinaison de DataFrames - Fusion sur un index et des noms de clé différentsدرس فيديو
-
45Pandas - Méthodes Text pour données textuellesدرس فيديو
-
46Pandas - Méthodes Time pour des données temporellesدرس فيديو
-
47Pandas Input et Output - Fichiers CSVدرس فيديو
-
48Pandas Input et Output - Tableaux HTMLدرس فيديو
-
49Pandas Input et Output - Fichiers Excelدرس فيديو
-
50Pandas Input et Output - Bases de données SQLدرس فيديو
-
51Pandas - Pivot Tablesدرس فيديو
-
52Projet Pandas - Présentationدرس فيديو
-
53Solutions - Projet Pandasدرس فيديو
-
54Introduction à la bibliothèque de traçage Matplotlibدرس فيديو
-
55Les bases de Matplotlibدرس فيديو
-
56Matplotlib - Compréhension de l'objet Figureدرس فيديو
-
57Matplotlib - Implémenter des objets Figure et Axesدرس فيديو
-
58Matplotlib - Paramètres d'une Figureدرس فيديو
-
59Matplotlib - Fonctionnalités des sous-parcelles (subplots)درس فيديو
-
60Style Matplotlib - Légendesدرس فيديو
-
61Style Matplotlib - Couleurs et Stylesدرس فيديو
-
62Commandes avancées de Matplotlib (Facultatif)درس فيديو
-
63Aperçu des exercices Matplotlibدرس فيديو
-
64Solutions Matplotlibدرس فيديو
-
65Introduction à la bibliothèque Seabornدرس فيديو
-
66Diagrammes de Dispersion - Scatter Plotsدرس فيديو
-
67Diagrammes de Distribution - Partie 1 - Les différents types de diagrammesدرس فيديو
-
68Diagrammes de Distribution - Partie 2 - Coder avec Seabornدرس فيديو
-
69Diagrammes Catégoriels - Statistique au sein des catégories - Compréhensionدرس فيديو
-
70Diagrammes Catégoriels - Statistique au sein des catégories - Code Seabornدرس فيديو
-
71Diagrammes Catégoriels - Distribution au sein de catégories - Compréhensionدرس فيديو
-
72Diagrammes Catégoriels - Distribution au sein de catégories - Code Seabornدرس فيديو
-
73Diagrammes de Comparaison - Compréhension de ce type de diagrammeدرس فيديو
-
74Diagrammes de Comparaison - Tracer avec Seabornدرس فيديو
-
75Seaborn Grids - Grilles de diagrammesدرس فيديو
-
76Diagrammes Matriciels - Matrix Plotsدرس فيديو
-
77Aperçu des Exercices Seabornدرس فيديو
-
78Solutions Seabornدرس فيديو
-
88Introduction à cette section sur la Régression Linéaireدرس فيديو
-
89Historique de la Régression Linéaireدرس فيديو
-
90Régression Linéaire - Compréhension des Moindres Carrés Ordinairesدرس فيديو
-
91Régression Linéaire - Fonctions de coûtدرس فيديو
-
92Régression Linéaire - Descente de Gradientدرس فيديو
-
93Code Python d'une Régression Linéaire Simpleدرس فيديو
-
94Vue d'ensemble de la bibliothèque Scikit-Learnدرس فيديو
-
95Régression Linéaire - Fractionnement Entraînement | Test avec Scikit-Learnدرس فيديو
-
96Régression Linéaire - Évaluation de la performance avec Scikit-Learnدرس فيديو
-
97Régression Linéaire - Diagrammes résiduelsدرس فيديو
-
98Régression Linéaire - Déploiement d'un modèle et interprétation des coefficientsدرس فيديو
-
99Régression Polynomiale - Théorie et motivationدرس فيديو
-
100Régression Polynomiale - Création des Features polynomialesدرس فيديو
-
101Régression Polynomiale - Entraînement et Évaluationدرس فيديو
-
102Compromis Biais - Variance (Overfitting versus Underfitting)درس فيديو
-
103Régression polynomiale - Choix du degré de polynômeدرس فيديو
-
104Régression Polynomiale - Déploiement du modèleدرس فيديو
-
105Aperçu de la Régularisationدرس فيديو
-
106Feature Scaling - Mise à l'échelle des caractéristiquesدرس فيديو
-
107Introduction à la Validation croiséeدرس فيديو
-
108Régularisation - Préparation des donnéesدرس فيديو
-
109Régularisation L2 - Régression de Ridge - Théorieدرس فيديو
-
110Régularisation L2 - Régression de Ridge - Implémentation avec Pythonدرس فيديو
-
111Régularisation L1 - Régression du LASSO - Contexte et implémentation Pythonدرس فيديو
-
112Régularisation L1 et L2 - Elastic Netدرس فيديو
-
113Projet de Régression Linéaire - Aperçu des donnéesدرس فيديو
-
114Note sur le Feature Engineering et la Préparation de Donnéesدرس نصي
-
115Introduction au Feature Engineering et à la Préparation de Données (théorie)درس فيديو
-
116Traitement des Outliersدرس فيديو
-
117Traitement des Données Manquantes - Partie 1 - Evaluation des Données Manquanteدرس فيديو
-
118Traitement des Données Manquantes - Partie 2 - Travail sur les lignes de donnéesدرس فيديو
-
119Traitement des Données Manquantes - Partie 3 - En se basant sur les colonnesدرس فيديو
-
120Traitement des Données Catégorielles - Encodage des Optionsدرس فيديو
-
121Aperçu et Introduction de la sectionدرس فيديو
-
122Validation Croisée - Fractionnement Entraînement | Testدرس فيديو
-
123Validation Croisée - Fractionnement Entraînement | Validation | Testدرس فيديو
-
124Validation Croisée - Cross_val_scoreدرس فيديو
-
125Validation Croisée - Cross_validateدرس فيديو
-
126Grid Searchدرس فيديو
-
127Aperçu du Projet de Régression Linéaireدرس فيديو
-
128Solutions du Projet de Régression Linéaireدرس فيديو
-
129Introduction à la section de Régression Logistiqueدرس فيديو
-
130Théorie Régression Logistique - Partie 1 - Fonction logistiqueدرس فيديو
-
131Théorie Régression Logistique - Partie 2 - Linéaire à Logistique (intuition)درس فيديو
-
132Théorie Régression Logistique - Partie 3 - Linéaire à Régression (mathématiques)درس فيديو
-
133Théorie Régression Logistique - Partie 4 - Meilleure ajustement du Modèleدرس فيديو
-
134Régression Logistique avec Scikit-Learn - Partie 1 - EDAدرس فيديو
-
135Régression Logistique avec Scikit-Learn - Partie 2 - Entraînement du Modèleدرس فيديو
-
136Metrics de Classification - Matrice de confusion et Accuracyدرس فيديو
-
137Metrics de Classification - Precision, Recall et F1-Scoreدرس فيديو
-
138Metrics de Classification - Courbes ROCدرس فيديو
-
139Régression Logistique avec Scikit-Learn - Partie 3 - Évaluation des performancesدرس فيديو
-
140Classification Multi-Class avec la Régression Logistique - Partie 1 - EDAدرس فيديو
-
141Classification Multi-Class avec la Régression Logistique - Partie 2 - Modèleدرس فيديو
-
142Projet Régression Logistique - Aperçu des exercicesدرس فيديو
-
143Solutions - Projet de Régression Logistiqueدرس فيديو
-
144Introduction à la section KNNدرس فيديو
-
145Classification KNN - Théorie et Intuitionدرس فيديو
-
146Code KNN avec Python - Partie 1درس فيديو
-
147Code KNN avec Python - Partie 2 - Choix de Kدرس فيديو
-
148Aperçu du Projet de Classification KNNدرس فيديو
-
149Solutions du Projet de Classification KNNدرس فيديو
-
150Introduction SVMدرس فيديو
-
151L'histoire derrière les Support Vector Machinesدرس فيديو
-
152SVM - Théorie et Intuition - Hyperplan et Margesدرس فيديو
-
153SVM - Théorie et Intuition - Noyau (Kernel)درس فيديو
-
154SVM - Théorie et Intuition - Astuce du Noyau et Mathématiquesدرس فيديو
-
155SVM avec Python et Scikit-Learn - Partie 1 de Classificationدرس فيديو
-
156SVM avec Python et Scikit-Learn - Partie 2 de Classificationدرس فيديو
-
157SVM avec Python et Scikit-Learn - Tâches de Régressionدرس فيديو
-
158Aperçu du Projet SVMدرس فيديو
-
159Solutions du Projet SVMدرس فيديو
-
160Introduction aux méthodes basées sur des arbresدرس فيديو
-
161Arbre de décision - Histoireدرس فيديو
-
162Arbre de décision - Terminologieدرس فيديو
-
163Arbre de décision - Compréhension de l'impureté de Giniدرس فيديو
-
164Construction d'Arbres de Décision avec l'impureté de Gini - Partie 1درس فيديو
-
165Construction d'Arbres de Décision avec l'impureté de Gini - Partie 2درس فيديو
-
166Codage des Arbres de Décision - Partie 1 - Donnéesدرس فيديو
-
167Codage des Arbres de Décision - Partie 2 - Création du Modèleدرس فيديو
-
168Introduction aux Random Forests (Forêts Aléatoires)درس فيديو
-
169Random Forests - Histoire et Motivationدرس فيديو
-
170Random Forests - Hyperparamètres clésدرس فيديو
-
171Random Forests - Nombre d'estimateurs et de Features dans les sous-ensemblesدرس فيديو
-
172Random Forests - Le boostraping et l'erreur Out-Of-Bag (Score OOB)درس فيديو
-
173Codage de la classification avec RandomForestClassifier - Partie 1درس فيديو
-
174Codage de la classification avec RandomForestClassifier - Partie 2درس فيديو
-
175Aperçu de la série de sessions sur la régression avec Random Forestدرس فيديو
-
176Codage de la régression Random Forest - Partie 1 - Données et Modèles de baseدرس فيديو
-
177Codage de la régression avec une Random Forest - Partie 2 - Polynômesدرس فيديو
-
178Codage de la régression avec une Random Forest - Partie 3 - Modèles avancésدرس فيديو
-
179Introduction à la section Boostingدرس فيديو
-
180Méthodes de Boosting - Motivation et Histoireدرس فيديو
-
181Adaboost - Théorie et Intuitionدرس فيديو
-
182Codage Adaboost - Partie 1 - Les donnéesدرس فيديو
-
183Codage Adaboost - Partie 2 - Le modèleدرس فيديو
-
184Théorie du Gradient Boostingدرس فيديو
-
185Guide de codage du Gradient Boostingدرس فيديو