Classification supervisée - Méthodologie

Thème : Machine Learning supervisé
16 heures
Data Scientist Data Analyst

Pour gagner en performance, aller plus loin ou résoudre des problèmatiques plus complexes, la bibliothèque scikit-learn permet d'entraîner des modèles de classification plus élaborés, notamment : Bagging meta-estimator, Forests of randomized trees, AdaBoost, Gradient Tree Boosting, Voting Classifier.

Compétences acquises

- Sélectionner et optimiser un algorithme de Machine Learning
- Gérer les données atypiques ou déséquilibrées, difficulté courante en data science
- Se former à la classification semi-supervisée
- Détection d'anomalies
- Créer des modèles persistants

Exemple de mise en pratique

- Le Machine Learning en finance : prévision cours actifs financiers

- Une utilisation courante du Machine Learning : la prediction Marketing personnalisé

- Un domaine important de la data science : détection de fraudes

Fermer le menu