Bienvenue dans ce cours sur Machine Learning avec R studio ! Découvrez ce qui est couvert dans le cours complet de ce module.

Dans ce module, nous vous aidons à mettre en place l'environnement de studio R et R et à vous enseigner certaines opérations statistiques de base dans R.

Dans ce module, nous couvrons certaines terminologies statistiques de base, comme la médiane et le mode. Si vous le connaissez, vous pouvez ignorer ce module.

Dans ce module, nous discutons des termes communs associés à l'apprentissage automatique, regardez quelques applications pratiques de ML et comprenions le processus impliqué dans la création d'un modèle ML

La première et la plus importante étape de la construction d'un modèle d'apprentissage automatique est la collecte et le prétraitement des données. Apprenez à préparer les données avant de créer un modèle. Cette étape est critique et c'est ce qui sépare un grand modèle des autres modèles.

Apprenez à construire des modèles de régression linéaire, à tester la division des trains et à évaluer l'exactitude du modèle.

Apprenez d'autres modèles de régression, comme Lasso, la régression de crête et la sélection de sous-ensembles qui aident à réduire le surajustement.

Préparez les données pour la construction de modèles de classification. Il s'agit d'une étape cruciale avant de construire le modèle, car la qualité de notre modèle en dépend.

Ce module traite de l'énoncé du problème que nous allons résoudre à l'aide de trois types de modèles ML de classification

Dans ce module, nous apprenons à faire un modèle de régression logistique qui est l'une des techniques classiques ML les plus populaires pour la classification.

Dans ce module, nous apprenons à propos de l'analyse discriminante linéaire qui est couramment utilisée dans Marketing Analytics.

Dans ce module, nous apprenons à créer un modèle KNN, qui est une technique non paramétrique pour la classification.

Dans ce module, nous comparons les résultats des trois techniques à la compréhension qui fonctionne bien pour quel type d'énoncé de problème.

Testez votre compréhension de la régression linéaire, de la régression logistique, de LDA et de K-NN

Dans ce module, nous comprenons les bases d'un arbre de décision et construisons un arbre de décision de régression simple.

Dans ce module, nous apprenons comment faire un arbre de décision de classification.

Dans ce module, nous explorons des modèles ML vraiment avancés. Nous apprenons sur les techniques Bagging, Random Forest et Boosting. En fait, XGBoost a remporté plusieurs compétitions de Kaggle.

Comprendre les concepts théoriques sous-tend le SVM et ce qui rend cette technique différente des autres techniques ML.

Dans ce module, nous allons créer les différents modèles SVM en studio R.

Testez votre compréhension des concepts des arbres de décision, des méthodes Ensemble et du modèle SVM

Merci de rester avec nous tout au long du parcours.