| 1. Start Here | |||
| 1. Introduction.mp4 | 90.41 MB | ||
| 2. Installer Anaconda (Python).mp4 | 85.95 MB | ||
| 10. SVM | |||
| 1. Intuition.mp4 | 104.62 MB | ||
| 2. Implémentation.mp4 | 224.07 MB | ||
| 2.1 SVM | |||
| 2.1 SVM | |||
| SVM | |||
| Social_Network_Ads.csv | 10.67 KB | ||
| svm.py | 1.7 KB | ||
| __MACOSX | |||
| SVM | |||
| ._Social_Network_Ads.csv | 525 B | ||
| ._svm.py | 210 B | ||
| 11. Kernel SVM | |||
| 1. Intuition - Step 1.mp4 | 36.72 MB | ||
| 2. Intuition - Step 2.mp4 | 76.16 MB | ||
| 3. Intuition - Step 3.mp4 | 140.78 MB | ||
| 4. Intuition - Step 4.mp4 | 22.53 MB | ||
| 5. Implémentation.mp4 | 197.33 MB | ||
| 5.1 Kernel_SVM | |||
| 5.1 Kernel_SVM | |||
| Kernel_SVM | |||
| Social_Network_Ads.csv | 10.67 KB | ||
| kernel_svm.py | 1.7 KB | ||
| __MACOSX | |||
| Kernel_SVM | |||
| ._Social_Network_Ads.csv | 525 B | ||
| ._kernel_svm.py | 210 B | ||
| 12. Evaluation des modèles de Classification | |||
| 1. Le paradoxe de la précision.mp4 | 22.64 MB | ||
| 2. CAP curve.mp4 | 100.5 MB | ||
| 3. Evaluer la CAP curve.mp4 | 103.89 MB | ||
| 13. ---------------------------- Partie 4 - Clustering ---------------------------- | |||
| 1. Bienvenue à la Partie 4 - Clustering.html | 726 B | ||
| 14. K-Means | |||
| 1. Intuition - Step 1.mp4 | 103.67 MB | ||
| 2. Intuition - Step 2.mp4 | 49.07 MB | ||
| 3. Intuition - Step 3.mp4 | 111.23 MB | ||
| 4. Implémentation - Step 1.mp4 | 183.69 MB | ||
| 4.1 K_Means | |||
| 4.1 K_Means | |||
| K_Means | |||
| Mall_Customers.csv | 4.19 KB | ||
| k_means.py | 1.3 KB | ||
| __MACOSX | |||
| K_Means | |||
| ._Mall_Customers.csv | 474 B | ||
| ._k_means.py | 210 B | ||
| 5. Implémentation - Step 2.mp4 | 231.62 MB | ||
| 6. Implémentation - Step 3.mp4 | 138.17 MB | ||
| 7. Implémentation - Step 4.mp4 | 244.14 MB | ||
| 2. ------------------------ Partie 1 - Data Preprocessing ------------------------ | |||
| 1. Bienvenue à la Partie 1 - Data Preprocessing.html | 488 B | ||
| 1.1 Data_Preprocessing | |||
| 1.1 Data_Preprocessing | |||
| Data_Preprocessing | |||
| Data.csv | 226 B | ||
| data_preprocessing.py | 1.13 KB | ||
| __MACOSX | |||
| Data_Preprocessing | |||
| ._Data.csv | 568 B | ||
| ._data_preprocessing.py | 210 B | ||
| 2. Importer les librairies.mp4 | 62.72 MB | ||
| 3. Importer le dataset.mp4 | 170.68 MB | ||
| 4. Gérer les données manquantes.mp4 | 212.03 MB | ||
| 5. Gérer les variables catégoriques.mp4 | 296.94 MB | ||
| 6. Diviser le dataset entre le Training set et le Test set.mp4 | 189 MB | ||
| 7. Appliquer Feature Scaling.mp4 | 230.49 MB | ||
| 3. ---------------------------- Partie 2 - Régression ---------------------------- | |||
| 1. Bienvenue à la Partie 2 - Régression.html | 620 B | ||
| 4. Régression Linéaire Simple | |||
| 1. Intuition - Step 1.mp4 | 48.98 MB | ||
| 2. Intuition - Step 2.mp4 | 25.77 MB | ||
| 3. Implémentation - Step 1.mp4 | 141.89 MB | ||
| 3.1 Regression_Lineaire_Simple | |||
| 3.1 Regression_Lineaire_Simple | |||
| Regression_Lineaire_Simple | |||
| Salary_Data.csv | 454 B | ||
| regression_lineaire_simple.py | 920 B | ||
| __MACOSX | |||
| Regression_Lineaire_Simple | |||
| ._Salary_Data.csv | 377 B | ||
| ._regression_lineaire_simple.py | 210 B | ||
| 4. Implémentation - Step 2.mp4 | 81.43 MB | ||
| 5. Implémentation - Step 3.mp4 | 126.41 MB | ||
| 6. Implémentation - Step 4.mp4 | 142.32 MB | ||
| 5. Régression Linéaire Multiple | |||
| 1. Intuition - Step 1.mp4 | 16.47 MB | ||
| 2. Intuition - Step 2.mp4 | 12.35 MB | ||
| 3. Intuition - Step 3.mp4 | 132.7 MB | ||
| 4. Intuition - Step 4.mp4 | 55.21 MB | ||
| 5. Intuition - Step 5.mp4 | 208.17 MB | ||
| 6. Implémentation - Step 1.mp4 | 274.2 MB | ||
| 6.1 Regression_Lineaire_Multiple | |||
| 6.1 Regression_Lineaire_Multiple | |||
| Regression_Lineaire_Multiple | |||
| 50_Startups.csv | 2.38 KB | ||
| regression_lineaire_multiple.py | 1 KB | ||
| __MACOSX | |||
| Regression_Lineaire_Multiple | |||
| ._50_Startups.csv | 576 B | ||
| ._regression_lineaire_multiple.py | 210 B | ||
| 7. Implémentation - Step 2.mp4 | 277.8 MB | ||
| 6. Régression Polynomiale | |||
| 1. Intuition.mp4 | 30.94 MB | ||
| 2. Implémentation - Step 1.mp4 | 133.51 MB | ||
| 2.1 Regression_Polynomiale | |||
| 2.1 Regression_Polynomiale | |||
| Regression_Polynomiale | |||
| Position_Salaries.csv | 246 B | ||
| regression_polynomiale.py | 1.1 KB | ||
| __MACOSX | |||
| Regression_Polynomiale | |||
| ._Position_Salaries.csv | 521 B | ||
| ._regression_polynomiale.py | 210 B | ||
| 3. Implémentation - Step 2.mp4 | 137.42 MB | ||
| 4. Implémentation - Step 3.mp4 | 68.07 MB | ||
| 7. Evaluation des modèles de Régression | |||
| 1. R Squared.mp4 | 57.83 MB | ||
| 2. Adjusted R Squared.mp4 | 81.99 MB | ||
| 8. -------------------------- Partie 3 - Classification -------------------------- | |||
| 1. Bienvenue à la Partie 3 - Classification.html | 762 B | ||
| 9. Régression Logistique | |||
| 1. Intuition.mp4 | 151.01 MB | ||
| 2. Implémentation - Step 1.mp4 | 265.86 MB | ||
| 2.1 Regression_Logistique | |||
| 2.1 Regression_Logistique | |||
| Regression_Logistique | |||
| Social_Network_Ads.csv | 10.67 KB | ||
| regression_logistique.py | 1.74 KB | ||
| __MACOSX | |||
| Regression_Logistique | |||
| ._Social_Network_Ads.csv | 525 B | ||
| ._regression_logistique.py | 210 B | ||
| 3. Implémentation - Step 2.mp4 | 110.94 MB | ||
| 4. False Positives & False Negatives.mp4 | 75.38 MB | ||
| 5. Matrice de confusion.mp4 | 44.49 MB | ||
| 6. Implémentation - Step 3.mp4 | 194.08 MB | ||
| 7. Implémentation - Step 4.mp4 | 284.46 MB |
?
Udemy - Introduction au Machine Learning 2017 [Français]

Éditeur : Udemy.com
Date de mise en ligne : 2017
Genre : Formation
Durée : 7 h 0 min
Format : MP4
Qualité : WEB-DL 720p
Codec Audio : AAC LC 2.0 à 317 kb/s
Codec Vidéo : AVC à 1520 kb/s
Langue : Français
Taille totale : 6.46 GB
Nombre de fichiers : 87
Introduction au Machine Learning
Apprenez à créer sur Python des modèles de Machine Learning puissants et créateurs de valeur. Templates de codes inclus.
Ce que vous apprendrez
Avoir la bonne intuition du Machine Learning
Implémenter des modèles de Machine Learning sur Python
Créer de la valeur ajoutée dans des problèmes business grâce au Machine Learning
Faire des prédictions précises
Faire du clustering
Gérer et tirer des insights des données
Prérequis
Simplement les maths du niveau lycée
Description
Intéressé par le domaine du Machine Learning ? Alors ce cours est fait pour vous !?
Ce cours a été conçu par deux data scientists professionnels qui partagent leur expertise pour vous aider à intégrer la parfaite intuition des modèles de Machine Learning et vous donner les compétences pour implémenter ces modèles.Tout se fera step by step de sorte que vous développiez votre compréhension du Machine Learning de manière clair et progressive. Chaque tutoriel vous fera acquérir une nouvelle compétence et de nouvelles bases solides. Nous construirons des modèles pour résoudre des problèmes business basés sur des scénarios du monde réel. Vous apprendrez comment tirer profit du Machine Learning pour créer de la valeur ajoutée dans ces problèmes business.
Ce cours est divisé en 4 parties, chacune correspondant à une branche fondamentale du Machine Learning:
À qui ce cours s'adresse-t-il ?
Toute personne intéressée par le Machine Learning
Toute personne intéressée par l'Intelligence Artificielle
Toute personne visant une carrière de data scientist
Toute personne souhaitant faire la différence en acquérant la compétence "Machine Learning"
Un petit remerciement fait toujours plaisir
?
| torrent name | size | uploader | age | seed | leech |
|---|---|---|---|---|---|
| 3 GB | freecoursewb | 1 month | 18 | 9 | |
| 992.4 MB | freecoursewb | 1 month | 6 | 3 | |
| 3.1 GB | freecoursewb | 1 month | 25 | 24 | |
| 3.8 GB | freecoursewb | 2 months | 4 | 3 | |
| 1.6 GB | freecoursewb | 2 months | 5 | 3 |
All Comments