Ce cours nous aidera à évaluer et à comparer les modèles que nous avons développés dans les cours précédents. Jusqu'à présent, nous avons développé des techniques de régression et de classification, mais jusqu'à quel point l'erreur d'un classificateur doit-elle être faible (par exemple) pour que nous puissions décider que le classificateur est "suffisamment bon" ? À la fin de ce cours, vous serez familiarisé avec les techniques de diagnostic qui vous permettent d'évaluer et de comparer les classificateurs, ainsi qu'avec les mesures de performance qui peuvent être utilisées dans différents scénarios de régression et de classification. Nous étudierons également le pipeline de formation/validation/test, qui peut être utilisé pour s'assurer que les modèles que vous développez se généralisent bien à de nouvelles données (ou "non vues").
Une modélisation prédictive pertinente
Ce cours fait partie de Spécialisation Produits de données Python pour l'analyse prédictive
Instructeurs : Julian McAuley
6 295 déjà inscrits
Inclus avec
(48 avis)
Ce que vous apprendrez
Comprendre les définitions des mesures d'erreur simples (par exemple, MSE, exactitude, précision/rappel).
Évaluez la performance des régresseurs / classificateurs à l'aide des mesures ci-dessus.
Comprendre la différence entre la performance de la formation/du test et la généralisabilité.
Comprendre les techniques permettant d'éviter le surajustement et d'obtenir de bonnes performances en matière de généralisation.
Détails à connaître
Ajouter à votre profil LinkedIn
10 devoirs
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 4 modules dans ce cours
Au cours de cette première semaine, nous passerons en revue le programme, téléchargerons tous les supports de cours et mettrons votre système en état de marche pour le cours. Nous vous présenterons également les bases du diagnostic des résultats de l'apprentissage supervisé.
Inclus
6 vidéos4 lectures3 devoirs2 sujets de discussion
Cette semaine, nous allons apprendre à créer un simple sac de mots à des fins d'analyse. Nous aborderons également la régularisation et son importance dans la construction d'un modèle. Enfin, nous évaluerons un modèle avec régularisation, en nous concentrant sur les classificateurs.
Inclus
4 vidéos4 devoirs
Cette semaine, nous en apprendrons plus sur la validation et sur la manière de la mettre en œuvre en tandem avec l'entraînement et les tests. Nous verrons également comment mettre en œuvre un pipeline de régularisation en Python et présenterons quelques lignes directrices pour les meilleures pratiques.
Inclus
4 vidéos3 devoirs
Dans la dernière semaine de ce cours, vous continuerez à construire sur le projet des premier et deuxième cours de Python Data Products for Predictive Analytics avec des algorithmes simples d'apprentissage automatique prédictif. Trouvez un ensemble de données, nettoyez-le et effectuez des analyses de base sur les données. Évaluez votre modèle, validez vos analyses et assurez-vous de ne pas surajuster les données.
Inclus
2 lectures1 évaluation par les pairs1 sujet de discussion
Instructeurs
Offert par
Recommandé si vous êtes intéressé(e) par Analyse des Données
Fractal Analytics
Coursera Project Network
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
48 avis
- 5 stars
56,25 %
- 4 stars
25 %
- 3 stars
12,50 %
- 2 stars
4,16 %
- 1 star
2,08 %
Affichage de 3 sur 48
Révisé le 31 mars 2021
The course provided a lot of insights into predictive modeling.
Révisé le 16 nov. 2019
Excellent content, but presentation is a bit challenging at times.
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
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la Specializations, et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez auditer le cours gratuitement.
Si vous vous êtes abonné, vous bénéficiez d'une période d'essai gratuite de 7 jours pendant laquelle vous pouvez annuler votre abonnement sans pénalité. Après cette période, nous ne remboursons pas, mais vous pouvez résilier votre abonnement à tout moment. Consultez notre politique de remboursement complète.