Data Science Et Machine Learning | Masterclass Python (8/2022)

Apprenez la Data Science et le Machine Learning avec Python ! (NumPy, Pandas, Matplotlib, Scikit-Learn et bien plus…)

What you'll learn
Maîtriser les compétences essentielles en matière de Data Science (science des données)
Comprendre la Machine Learning (apprentissage automatique) en profondeur
Répliquer des situations du monde réel et reproduire des rapports de données
Apprendre NumPy pour le traitement numérique des données avec Python
Réaliser du feature engineering (ingénierie des caractéristiques/features) sur des études de cas réels
Apprendre à utiliser Pandas pour la manipulation de données avec Python
Créer des algorithmes de Machine Learning supervisé pour prédire des classes (modèles de classification)
Apprendre Matplotlib pour créer des visualisations de données entièrement personnalisées avec Python
Créer des algorithmes de Machine Learning pour prédire des valeurs continues (modèles de régression)
Apprendre Seaborn pour créer de magnifiques diagrammes statistiques avec Python
Construire un portfolio de projets de Data Science et Machine Learning pour avoir un CV efficace et moderne
Apprendre à utiliser Scikit-learn pour appliquer de puissants algorithmes de Machine Learning
Apprendre les meilleures pratiques pour traiter des ensembles de données (datasets) du monde réel
Requirements
Connaissance de base de Python
Description
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 PythonNumPy avec PythonApprentissage complet de Pandas pour l'analyse de donnéesCompréhension complète de la bibliothèque de programmation MatplotlibApprentissage en profondeur de Seaborn pour les visualisations de donnéesMachine Learning avec Scikit-LearnNous 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.

Overview

Section 1: Introduction à la MasterClass Data Science & Machine Learning

Lecture 1 Message de bienvenue !

Lecture 2 Programme du cours

Lecture 3 Notice de téléchargement du contenu de la MasterClass (Code Python + Datasets)

Lecture 4 Google Colab

Lecture 5 Accès + Téléchargement + Utilisation de l'ensemble des ressources du cours

Lecture 6 Travail en local avec la distribution Anaconda + Jupyter Notebook

Lecture 7 Mise en place de l'environnement en local sur Conda + Jupyter Notebook / Spyder

Lecture 8 FAQ

Section 2: Python : cours en accéléré (Facultatif)

Lecture 9 Apprendre Python en accéléré (pour rappel ou rafraîchissement)

Lecture 10 Cours accéléré Python - Partie 1

Lecture 11 Cours accéléré Python - Partie 2

Lecture 12 Cours accéléré Python - Partie 3

Lecture 13 Exercices Python

Lecture 14 Solutions - Exercices Python

Section 3: Vue d'ensemble du parcours général de Data Science et Machine Learning

Lecture 15 Parcours Data Science et Machine Learning

Section 4: NumPy

Lecture 16 Introduction à la bibliothèque NumPy

Lecture 17 Tableaux ou arrays NumPy

Lecture 18 Indexation et Sélection NumPy

Lecture 19 Opérations NumPy

Lecture 20 Exercices NumPy

Lecture 21 Solutions - Exercices NumPy

Lecture 22 BONUS - TOP 50 des fonctions NumPy

Section 5: Pandas

Lecture 23 Introduction à la bibliothèque Pandas

Lecture 24 Series - Partie 1

Lecture 25 Series - Partie 2

Lecture 26 DataFrames - Partie 1

Lecture 27 DataFrames - Partie 2

Lecture 28 DataFrames - Partie 3

Lecture 29 DataFrames - Partie 4

Lecture 30 Pandas - Filtrage conditionnel

Lecture 31 Pandas - Méthodes utiles - Apply sur une seule colonne

Lecture 32 Pandas - Méthodes utiles - Apply sur des colonnes multiples

Lecture 33 Pandas - Méthodes utiles - Informations statistiques et triage de données

Lecture 34 Données manquantes - Vue d'ensemble

Lecture 35 Données manquantes - Opérations Pandas

Lecture 36 Opérations GroupBy - Partie 1

Lecture 37 Opérations GroupBy - Partie 2 - MultiIndex

Lecture 38 Combinaison de DataFrames - Concaténation

Lecture 39 Combinaison de DataFrames - Fusion interne

Lecture 40 Combinaison de DataFrames - Fusion gauche et droite

Lecture 41 Combinaison de DataFrames - Fusion externe

Lecture 42 Combinaison de DataFrames - Fusion sur un index et des noms de clé différents

Lecture 43 Pandas - Méthodes Text pour données textuelles

Lecture 44 Pandas - Méthodes Time pour des données temporelles

Lecture 45 Pandas Input et Output - Fichiers CSV

Lecture 46 Pandas Input et Output - Tableaux HTML

Lecture 47 Pandas Input et Output - Fichiers Excel

Lecture 48 Pandas Input et Output - Bases de données SQL

Lecture 49 Pandas - Pivot Tables

Lecture 50 Projet Pandas - Présentation

Lecture 51 Solutions - Projet Pandas

Section 6: Matplotlib

Lecture 52 Introduction à la bibliothèque de traçage Matplotlib

Lecture 53 Les bases de Matplotlib

Lecture 54 Matplotlib - Compréhension de l'objet Figure

Lecture 55 Matplotlib - Implémenter des objets Figure et Axes

Lecture 56 Matplotlib - Paramètres d'une Figure

Lecture 57 Matplotlib - Fonctionnalités des sous-parcelles (subplots)

Lecture 58 Style Matplotlib - Légendes

Lecture 59 Style Matplotlib - Couleurs et Styles

Lecture 60 Commandes avancées de Matplotlib (Facultatif)

Lecture 61 Aperçu des exercices Matplotlib

Lecture 62 Solutions Matplotlib

Section 7: Data Viz avec Seaborn

Lecture 63 Introduction à la bibliothèque Seaborn

Lecture 64 Diagrammes de Dispersion - Scatter Plots

Lecture 65 Diagrammes de Distribution - Partie 1 - Les différents types de diagrammes

Lecture 66 Diagrammes de Distribution - Partie 2 - Coder avec Seaborn

Lecture 67 Diagrammes Catégoriels - Statistique au sein des catégories - Compréhension

Lecture 68 Diagrammes Catégoriels - Statistique au sein des catégories - Code Seaborn

Lecture 69 Diagrammes Catégoriels - Distribution au sein de catégories - Compréhension

Lecture 70 Diagrammes Catégoriels - Distribution au sein de catégories - Code Seaborn

Lecture 71 Diagrammes de Comparaison - Compréhension de ce type de diagramme

Lecture 72 Diagrammes de Comparaison - Tracer avec Seaborn

Lecture 73 Seaborn Grids - Grilles de diagrammes

Lecture 74 Diagrammes Matriciels - Matrix Plots

Lecture 75 Aperçu des Exercices Seaborn

Lecture 76 Solutions Seaborn

Section 8: Projet complet d'application en Analyse et Visualisation de Données

Lecture 77 Vue d'ensemble du projet d'application

Lecture 78 Solutions Projet - Partie 1

Lecture 79 Solutions Projet - Partie 2

Lecture 80 Solutions Projet - Partie 3

Section 9: Vue d'ensemble des concepts de Machine Learning

Lecture 81 Introduction au Machine Learning

Lecture 82 Pourquoi le Machine Learning ?

Lecture 83 Types d'algorithmes de Machine Learning

Lecture 84 Processus de Machine Learning supervisé

Lecture 85 Livre d'accompagnement - Introduction à l'apprentissage statistique

Section 10: Régression Linéaire

Lecture 86 Introduction à cette section sur la Régression Linéaire

Lecture 87 Historique de la Régression Linéaire

Lecture 88 Régression Linéaire - Compréhension des Moindres Carrés Ordinaires

Lecture 89 Régression Linéaire - Fonctions de coût

Lecture 90 Régression Linéaire - Descente de Gradient

Lecture 91 Code Python d'une Régression Linéaire Simple

Lecture 92 Vue d'ensemble de la bibliothèque Scikit-Learn

Lecture 93 Régression Linéaire - Fractionnement Entraînement | Test avec Scikit-Learn

Lecture 94 Régression Linéaire - Évaluation de la performance avec Scikit-Learn

Lecture 95 Régression Linéaire - Diagrammes résiduels

Lecture 96 Régression Linéaire - Déploiement d'un modèle et interprétation des coefficients

Lecture 97 Régression Polynomiale - Théorie et motivation

Lecture 98 Régression Polynomiale - Création des Features polynomiales

Lecture 99 Régression Polynomiale - Entraînement et Évaluation

Lecture 100 Compromis Biais - Variance (Overfitting versus Underfitting)

Lecture 101 Régression polynomiale - Choix du degré de polynôme

Lecture 102 Régression Polynomiale - Déploiement du modèle

Lecture 103 Aperçu de la Régularisation

Lecture 104 Feature Scaling - Mise à l'échelle des caractéristiques

Lecture 105 Introduction à la Validation croisée

Lecture 106 Régularisation - Préparation des données

Lecture 107 Régularisation L2 - Régression de Ridge - Théorie

Lecture 108 Régularisation L2 - Régression de Ridge - Implémentation avec Python

Lecture 109 Régularisation L1 - Régression du LASSO - Contexte et implémentation Python

Lecture 110 Régularisation L1 et L2 - Elastic Net

Lecture 111 Projet de Régression Linéaire - Aperçu des données

Section 11: Feature Engineering et Préparation des Données

Lecture 112 Note sur le Feature Engineering et la Préparation de Données

Lecture 113 Introduction au Feature Engineering et à la Préparation de Données (théorie)

Lecture 114 Traitement des Outliers

Lecture 115 Traitement des Données Manquantes - Partie 1 - Evaluation des Données Manquante

Lecture 116 Traitement des Données Manquantes - Partie 2 - Travail sur les lignes de données

Lecture 117 Traitement des Données Manquantes - Partie 3 - En se basant sur les colonnes

Lecture 118 Traitement des Données Catégorielles - Encodage des Options

Section 12: Validation Croisée, Grid Search et Projet de Régression Linéaire

Lecture 119 Aperçu et Introduction de la section

Lecture 120 Validation Croisée - Fractionnement Entraînement | Test

Lecture 121 Validation Croisée - Fractionnement Entraînement | Validation | Test

Lecture 122 Validation Croisée - Cross_val_score

Lecture 123 Validation Croisée - Cross_validate

Lecture 124 Grid Search

Lecture 125 Aperçu du Projet de Régression Linéaire

Lecture 126 Solutions du Projet de Régression Linéaire

Section 13: Régression Logistique

Lecture 127 Introduction à la section de Régression Logistique

Lecture 128 Théorie Régression Logistique - Partie 1 - Fonction logistique

Lecture 129 Théorie Régression Logistique - Partie 2 - Linéaire à Logistique (intuition)

Lecture 130 Théorie Régression Logistique - Partie 3 - Linéaire à Régression (mathématiques)

Lecture 131 Théorie Régression Logistique - Partie 4 - Meilleure ajustement du Modèle

Lecture 132 Régression Logistique avec Scikit-Learn - Partie 1 - EDA

Lecture 133 Régression Logistique avec Scikit-Learn - Partie 2 - Entraînement du Modèle

Lecture 134 Metrics de Classification - Matrice de confusion et Accuracy

Lecture 135 Metrics de Classification - Precision, Recall et F1-Score

Lecture 136 Metrics de Classification - Courbes ROC

Lecture 137 Régression Logistique avec Scikit-Learn - Partie 3 - Évaluation des performances

Lecture 138 Classification Multi-Class avec la Régression Logistique - Partie 1 - EDA

Lecture 139 Classification Multi-Class avec la Régression Logistique - Partie 2 - Modèle

Lecture 140 Projet Régression Logistique - Aperçu des exercices

Lecture 141 Solutions - Projet de Régression Logistique

Section 14: KNN - K Nearest Neighbors

Lecture 142 Introduction à la section KNN

Lecture 143 Classification KNN - Théorie et Intuition

Lecture 144 Code KNN avec Python - Partie 1

Lecture 145 Code KNN avec Python - Partie 2 - Choix de K

Lecture 146 Aperçu du Projet de Classification KNN

Lecture 147 Solutions du Projet de Classification KNN

Section 15: SVM - Support Vector Machines

Lecture 148 Introduction SVM

Lecture 149 L'histoire derrière les Support Vector Machines

Lecture 150 SVM - Théorie et Intuition - Hyperplan et Marges

Lecture 151 SVM - Théorie et Intuition - Noyau (Kernel)

Lecture 152 SVM - Théorie et Intuition - Astuce du Noyau et Mathématiques

Lecture 153 SVM avec Python et Scikit-Learn - Partie 1 de Classification

Lecture 154 SVM avec Python et Scikit-Learn - Partie 2 de Classification

Lecture 155 SVM avec Python et Scikit-Learn - Tâches de Régression

Lecture 156 Aperçu du Projet SVM

Lecture 157 Solutions du Projet SVM

Développeurs Python débutants intéressé par l'apprentissage automatique (Machine Learning),Développeurs Python débutants intéressé par la science des données (Data Science),Tout personne souhaitant apprendre en profondeur Data Science + Machine Learning