Datascience pour les managers 0 h env. Débutant Partie 3 Chapitre 0 sur 5 Quitter le cours Partie 3 – L’apprentissage supervisé (Supervised Learning) Chapitre précédent Chapitre suivant Table des matières Fermer la table des matières Partie 1 – Comprendre la data science 1 L’émergence de la data science 2 À quoi sert la data science ? 3 Le big data 4 Enjeux du Big data 5 Impacts du big data 6 Comprendre l'Intelligence artificielle 7 L'apprentissage automatique (Machine learning) 8 Choisir une solution de Machine learning Partie 2 – Déployer un projet de data science 1 Organiser un projet de data science 2 Collecter les données 3 Préparer les données 4 Explorer les données 5 Trouver un modèle 6 Sélectionner un algorithme 7 Optimiser un modèle (feature engineering) 8 Évaluer un modèle 9 Présenter ses résultats Partie 3 – L’apprentissage supervisé (Supervised Learning) 1 Principes de l’apprentissage supervisé 2 Prédire à partir de la régression linéaire 3 Prédire à partir de la régression logistique 4 Trouver des règles à partir d'un arbre de décision (Decision Tree) 5 Trouver des règles aux forêts d'arbres de décision (Random Forest) Partie 4 – L’apprentissage non supervisé (Unsupervised Learning) 1 Principes de l’apprentissage non supervisé 2 Réduire les dimensions (PCA) 3 Découvrir des similarités à partir du partitionnement (Clustering) 4 Utiliser le clustering pour le traitement du langage naturel (NLP) Partie 5 – Pour aller plus loin… 1 Eviter le problème de surapprentissage (Overfitting) 2 L’apprentissage profond (Deep Learning) 3 Bibliographie et webographie 4 Filmographie