Les problèmes de classification sont l'un des scénarios les plus courants auxquels nous sommes confrontés en science des données. Ce cours vous aidera à comprendre et à appliquer des algorithmes courants pour faire des prédictions et prendre des décisions dans le monde des affaires. Que vous soyez un aspirant data scientist, que vous étudiez l'analytique ou que vous soyez axé sur l'informatique décisionnelle, ce cours vous donnera un aperçu complet des problèmes de classification, des solutions et des interprétations. De la Régression logistique aux modèles KNN et SVM, vous apprendrez à mettre en œuvre des techniques dans Excel et Python et à créer des boucles pour exécuter des modèles en parallèle. L'évaluation des modèles étant très importante, nous consacrerons un chapitre entier à l'interprétation des sorties de modèles avec les métriques d'évaluation et la matrice de confusion. Vous apprendrez ainsi ce que sont les Faux négatifs et les Faux positifs, et vous étudierez l'impact qu'ils peuvent avoir sur des scénarios d'entreprise spécifiques. Enfin, nous vous donnerons un bref aperçu des techniques de classification plus avancées telles que l'importance des caractéristiques, les valeurs SHAP et les diagrammes PDP.

À l'issue de ce cours, vous serez en mesure de : - Distinguer les techniques de classification classiques, y compris leurs hypothèses implicites et leurs cas d'utilisation pratiques - Effectuer des calculs de régression logistique simples dans Excel et RegressIt - Créer des modèles de classification de base dans Python en utilisant les modules statsmodels et sklearn - Évaluer et interpréter les performances des sorties et des paramètres des modèles de classification Que vous soyez un scientifique de données en herbe, que vous étudiiez l'analytique ou que vous vous concentriez sur l'intelligence économique, vous servirez d'introduction complète à ce sujet fascinant. Vous apprendrez toute la terminologie clé pour vous permettre de parler de la science des données avec vos équipes, bénigne mise en œuvre de l'analyse, et de comprendre comment la science des données peut aider votre entreprise.