Les bases de Machine Learning - Régression logistique (part1)

Les bases de Machine Learning
Python pour Machine Learning (étape 1)
Introduction à machine Learning
Régression Linéaire à l’aide de sklearn
Dataset: Features, target
Forme mathématique de la régression linéaire
Les étapes pour créer un modèle de régression avec sklearn
Evaluer un modèle de régression: error, mse, mae, rmse, r2
Préparation de données : Label Encoder – Onehot Encoder
Applications: Nuage de points, Advertissing Problem, Profit Startup, Cars Co2 Emisison Prediction
Python pour Machine Learning (étape 2)
Régression Linéaire sans sklearn – from scratch
Ce que c’est l’apprentissage exactement – update parameters
Analyse de cost function (mse) en fonction des paramètres
Analyse de cost function (mse) en fonction des itérations
Update parameters: combinaison de dérivée - Gradient – learning rate
Gradient Descent: code source
Régression Logistique avec sklearn
Présentation des problèmes de classification
La forme mathématique de la régression logistique
Les étapes à créer un modèle de classification
Evaluer un modèle de classification: confusion matrix, accuracy, precision, recall, f1 score
Applications: red or blue app, spam detection, diabetic detection
Régression Logistique sans sklearn
Les bases des réseaux de neurones
Ce que c’est un réseau de neurones
Les éléments d’un neurone: inputs, weights, weighted sum, activation, output
De la régression linéaire au réseau de neurones: un seul neurone
De la régression logistique au réseau de neurones: un seul neurone
Applications