Ce cours, Machine Learning for Accounting with Python, présente les algorithmes d'apprentissage automatique (modèles) et leurs applications aux problèmes de comptabilité. Il couvre la classification, la régression, le clustering, l'analyse de texte, l'analyse de séries temporelles. Il aborde également l'évaluation et l'optimisation des modèles. Ce cours constitue un point d'entrée pour les étudiants afin qu'ils soient en mesure d'appliquer des modèles d'apprentissage automatique appropriés sur des ensembles de données liés à l'entreprise avec Python pour résoudre divers problèmes. L'analyse des données comptables avec Python est un prérequis pour ce cours. Ce cours se déroule sur la même plateforme (Jupyter Notebook) que celle du cours prérequis. Alors que Accounting Data Analytics with Python couvre la compréhension et la préparation des données dans le processus d'analyse des données, ce cours couvre les deux étapes suivantes du processus, la modélisation et l'évaluation des modèles. A l'issue de ces deux cours, les étudiants devraient être en mesure de mener à bien un processus complet d'analyse de données avec Python.
Apprentissage automatique pour la comptabilité avec Python
Ce cours fait partie de Spécialisation Analyse des Données Comptables
Instructeur : Linden Lu
9 420 déjà inscrits
Inclus avec
(43 avis)
Ce que vous apprendrez
Le concept des différents algorithmes d'apprentissage automatique.
Comment appliquer des modèles d'apprentissage automatique sur des ensembles de données avec Python dans Jupyter Notebook.
Comment évaluer les modèles d'apprentissage automatique.
Comment optimiser les modèles d'apprentissage automatique.
Compétences que vous acquerrez
- Catégorie : Programmation en Python
- Catégorie : Évaluation et optimisation des modèles d'apprentissage automatique
- Catégorie : Analyse de base des séries temporelles
- Catégorie : Modélisation de l'apprentissage automatique
- Catégorie : Analyse de texte
Détails à connaître
Ajouter à votre profil LinkedIn
8 quizzes
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 9 modules dans ce cours
Dans ce module, vous vous familiariserez avec le cours, votre formateur et vos camarades de classe, ainsi qu'avec notre environnement d'apprentissage. Cette orientation vous aidera également à acquérir les compétences techniques nécessaires pour naviguer et réussir dans ce cours.
Inclus
2 vidéos4 lectures2 sujets de discussion1 plugin
Ce module jette les bases du reste du cours en présentant les concepts fondamentaux de l'apprentissage automatique et, plus particulièrement, la manière d'effectuer de l'apprentissage automatique en utilisant Python et le module d'apprentissage automatique scikit-learn. Tout d'abord, vous découvrirez les types de base de l'apprentissage automatique. Ensuite, vous apprendrez une étape importante avant d'appliquer les algorithmes d'apprentissage automatique, le prétraitement des données. Enfin, vous apprendrez à exploiter différents types d'algorithmes d'apprentissage automatique dans un script Python.
Inclus
4 vidéos1 lecture1 quiz1 devoir de programmation1 sujet de discussion4 laboratoires non notés
Ce module présente trois algorithmes d'apprentissage automatique. Tout d'abord, vous apprendrez comment la régression linéaire peut être considérée comme un problème d'apprentissage automatique dont les paramètres doivent être déterminés de manière informatique en minimisant une fonction de coût. Ensuite, vous apprendrez la régression logistique. Malgré son nom, la régression logistique est un algorithme de classification. Enfin, vous apprendrez l'arbre de décision, un algorithme d'apprentissage automatique populaire qui peut être utilisé à la fois pour la classification et la régression. Ce module approfondira le concept de classification machine, où les algorithmes apprennent à partir de données existantes et étiquetées à classer de nouvelles données inédites dans des catégories spécifiques, ainsi que le concept de régression machine, où les algorithmes apprennent un modèle à partir de données pour faire des prédictions sur de nouvelles données continues inédites. Bien que ces algorithmes diffèrent tous par leurs fondements mathématiques, ils sont souvent utilisés pour classer des données numériques, textuelles et des images ou pour effectuer des régressions dans divers domaines.
Inclus
4 vidéos1 lecture1 quiz1 devoir de programmation4 laboratoires non notés
Ce module présente trois autres algorithmes d'apprentissage automatique, les voisins les plus proches (k-nearest neighbors), la machine à vecteurs de support (support vector machine) et la forêt aléatoire (random forest). Tous ces algorithmes peuvent être utilisés pour des tâches de classification ou de régression.
Inclus
4 vidéos1 lecture1 quiz1 devoir de programmation4 laboratoires non notés
L'évaluation des modèles fait partie intégrante de tout projet d'analyse de données. Elle permet de déterminer dans quelle mesure le modèle permettra de prédire des données futures (hors échantillon). Ce module présente les mesures d'évaluation de base des modèles pour les algorithmes d'apprentissage automatique. Tout d'abord, les mesures d'évaluation de la régression sont présentées. Ensuite, les métriques et les techniques d'évaluation de la classification sont présentées.
Inclus
4 vidéos1 lecture1 quiz1 devoir de programmation4 laboratoires non notés
Ce module présente les techniques d'optimisation des modèles. Tout d'abord, les techniques de base de la sélection des caractéristiques sont présentées. Ensuite, la technique de validation croisée est introduite, qui peut fournir une évaluation plus précise des modèles. Enfin, la sélection de modèles, ou l'ajustement des hyperparamètres, qui utilise la validation croisée, est présentée.
Inclus
4 vidéos1 lecture1 quiz1 devoir de programmation4 laboratoires non notés
Dans ce module, vous commencerez à appliquer vos nouvelles compétences en apprentissage automatique à un sujet passionnant d'analyse de données : L'analyse de texte. Tout d'abord, nous passerons en revue le processus par lequel les données textuelles sont converties en données numériques pouvant être traitées par un ordinateur. En parallèle, nous aborderons un certain nombre de nouveaux concepts axés sur la manipulation de ces données afin de générer de meilleures prédictions en matière d'apprentissage automatique. Ensuite, nous appliquerons les algorithmes d'apprentissage automatique, en particulier la classification, aux données textuelles. Enfin, nous explorerons les concepts plus avancés de l'analyse de texte et présenterons un type particulier de classification de texte : l'analyse des sentiments.
Inclus
4 vidéos1 lecture1 quiz1 devoir de programmation4 laboratoires non notés
Ce module présente le clustering, où les points de données sont assignés à des sous-groupes de points sur la base de certaines propriétés spécifiques, telles que la distance spatiale ou la densité locale des points. Alors que les humains trouvent souvent facilement des grappes visuellement dans un ensemble de données donné, le problème est plus difficile à résoudre sur le plan informatique. Ce module commence par explorer les idées de base de cette technique d'apprentissage non supervisé. L'une des techniques de clustering les plus populaires, les K-moyennes, est présentée. Ensuite, une étude de cas sur les K-moyennes est fournie. Enfin, la technique DBSCAN basée sur la densité est présentée.
Inclus
4 vidéos1 lecture1 quiz1 devoir de programmation4 laboratoires non notés
Ce module présente les données relatives à l'heure et à la date, qui offrent des possibilités d'apprentissage et des défis uniques. Tout d'abord, nous verrons comment gérer correctement les caractéristiques d'heure et de date dans un programme Python. Ensuite, nous étendrons cette discussion à la manipulation de données indexées par des informations de date et d'heure, connues sous le nom de données de séries temporelles.
Inclus
4 vidéos3 lectures1 quiz1 devoir de programmation3 laboratoires non notés1 plugin
Instructeur
Offert par
Recommandé si vous êtes intéressé(e) par Stratégie commerciale
University of California San Diego
IE Business School
Préparer un diplôme
Ce site cours fait partie du (des) programme(s) diplômant(s) suivant(s) proposé(s) par University of Illinois Urbana-Champaign. Si vous êtes admis et que vous vous inscrivez, les cours que vous avez suivis peuvent compter pour l'apprentissage de votre diplôme et vos progrès peuvent être transférés avec vous.¹
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
43 avis
- 5 stars
69,76 %
- 4 stars
23,25 %
- 3 stars
4,65 %
- 2 stars
0 %
- 1 star
2,32 %
Affichage de 3 sur 43
Révisé le 16 avr. 2022
This is a great introductory course on machine learning with really practical examples. It does not go too deep.
Révisé le 31 janv. 2022
this great course , i'm accountant and i recomand for accountant to take all the course in order
Révisé le 26 août 2022
The course is a great one for Machine Learning Journey
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
Une fois que vous vous serez inscrit à un certificat, vous aurez accès à toutes les vidéos, à tous les quiz et à tous les travaux de programmation (le cas échéant). Si vous choisissez d'explorer le cours sans l'acheter, il se peut que vous ne puissiez pas accéder à certains travaux.
Vous pouvez prétendre à un remboursement intégral jusqu'à deux semaines après la date de votre paiement. Vous ne pouvez pas obtenir de remboursement une fois que vous avez obtenu un certificat de cours, même si vous terminez le cours pendant la période de remboursement de deux semaines.
Oui ! Coursera offre une aide financière aux apprenants qui aimeraient terminer un cours, mais qui ne peuvent pas payer les frais de cours. Pour faire une demande d'aide, sélectionnez " En savoir plus et faire une demande " dans la section Aide financière sous le bouton " S'inscrire ". Vous serez invité à remplir une simple demande ; aucun autre document n'est requis.