{"product_id":"138142","title":"Le guide complet de l'apprentissage automatique en Python ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPCfJhzyt4A2l6Jq87YQxFLoyniW.png?v=1765060667\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e Le guide complet de l'apprentissage automatique en Python \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/108824557\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n \u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003eDescription \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eVous pouvez maîtriser l'apprentissage automatique grâce à des explications théoriques détaillées et à la pratique du Python !\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e « Le guide complet de l'apprentissage automatique en Python » rompt avec les ouvrages d'apprentissage automatique axés sur la théorie, vous permettant d'apprendre l'apprentissage automatique par la mise en œuvre pratique de divers exemples concrets.\u003cbr\u003e Nous avons compilé des exemples pratiques basés sur des données d'entraînement complexes provenant de Kaggle et du dépôt d'apprentissage automatique de l'UCI, et nous avons couvert en détail les algorithmes et techniques les plus récents utilisés dans de nombreux domaines de la science des données sur Kaggle, notamment XGBoost, LightGBM et les techniques d'empilement.\u003cbr\u003e \u003cbr\u003eCette deuxième édition révisée met en œuvre un code pratique qui met à jour toutes les bibliothèques utilisées dans le livre à la dernière version, y compris la dernière version de scikit-learn (1.0.2), et fournit une pratique d'application des techniques d'optimisation bayésienne pour le réglage optimal des hyperparamètres des modèles XGBoost et LightGBM avec différents types d'hyperparamètres.\u003cbr\u003e Nous avons également ajouté un nouveau chapitre consacré à l'utilisation de matplotlib et seaborn, des bibliothèques de visualisation largement utilisées dans l'analyse de données liées à l'apprentissage automatique.\u003cbr\u003e\n\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003eChapitre 1 : Comprendre l’apprentissage automatique basé sur Python et son écosystème\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 01.\u003cbr\u003e Le concept d'apprentissage automatique\u003cbr\u003e Classification de l'apprentissage automatique\u003cbr\u003e Guerres de données\u003cbr\u003e ___Comparaison de l'apprentissage automatique basé sur Python et R\u003cbr\u003e 02.\u003cbr\u003e Principaux packages qui constituent l'écosystème d'apprentissage automatique Python\u003cbr\u003e Installation de logiciels pour l'apprentissage automatique Python\u003cbr\u003e 03.\u003cbr\u003e NumPy\u003cbr\u003e Aperçu des tableaux NumPy \u003cbr\u003eType de données ___ndarray\u003cbr\u003e Création pratique de ___ndarray - arange, zeros, ones\u003cbr\u003e reshape() permet de modifier les dimensions et la taille de ___ndarray\u003cbr\u003e Sélection d'un jeu de données à partir d'un tableau NumPy (ndarray) - Indexation\u003cbr\u003e Tri d'une matrice - sort() et argsort()\u003cbr\u003e Opérations d'algèbre linéaire - Produit scalaire et transposée de matrices\u003cbr\u003e 04.\u003cbr\u003e Gestion des données - Pandas\u003cbr\u003e Premiers pas avec Pandas : chargement de fichiers dans des DataFrames, API de base\u003cbr\u003e Conversion d'un DataFrame en liste, dictionnaire et tableau NumPy\u003cbr\u003e Création et modification d'ensembles de données de colonnes dans un DataFrame\u003cbr\u003e Supprimer les données du DataFrame\u003cbr\u003e Objet ___Index\u003cbr\u003e ___Sélection et filtrage des données\u003cbr\u003e ___Tri, fonction d'agrégation, application GroupBy\u003cbr\u003e ___Gestion des données manquantes\u003cbr\u003e Traiter les données à l'aide de l'expression lambda ___apply\u003cbr\u003e 05.\u003cbr\u003e organiser\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 2 : Apprentissage automatique avec Scikit-Learn\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 01.\u003cbr\u003e Introduction et fonctionnalités de Scikit-learn\u003cbr\u003e 02.\u003cbr\u003e Création de votre premier modèle d'apprentissage automatique - Prédiction des espèces d'iris\u003cbr\u003e 03.\u003cbr\u003e Apprenez les bases de scikit-learn \u003cbr\u003eComprendre les méthodes `Estimator`, `fit()` et `predict()`\u003cbr\u003e ___Principaux modules de scikit-learn\u003cbr\u003e ___Ensembles de données d'exemple intégrés\u003cbr\u003e 04.\u003cbr\u003e Présentation du module de sélection de modèle\u003cbr\u003e ___Séparer les ensembles de données d'entraînement et de test - train_test_split()\u003cbr\u003e Validation croisée\u003cbr\u003e ___GridSearchCV - Validation croisée et optimisation des hyperparamètres en une seule étape 111\u003cbr\u003e 05.\u003cbr\u003e prétraitement des données\u003cbr\u003e encodage des données\u003cbr\u003e ___Mise à l'échelle et normalisation des caractéristiques\u003cbr\u003e ___StandardScaler\u003cbr\u003e ___MinMaxScaler\u003cbr\u003e Éléments à prendre en compte lors de la mise à l'échelle des données d'entraînement et de test\u003cbr\u003e 06.\u003cbr\u003e Prédire les survivants du Titanic avec Scikit-learn\u003cbr\u003e 07.\u003cbr\u003e organiser\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 3 : Évaluation\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 01.\u003cbr\u003e Précision\u003cbr\u003e 02.\u003cbr\u003e Matrice d'erreur\u003cbr\u003e 03.\u003cbr\u003e Précision et rappel\u003cbr\u003e Compromis précision\/rappel\u003cbr\u003e ___Points faibles en matière de précision et de rappel\u003cbr\u003e 04.\u003cbr\u003e Score F1\u003cbr\u003e 05. Courbe ROC et AUC\u003cbr\u003e 06.\u003cbr\u003e Prédiction du diabète chez les Indiens Pima\u003cbr\u003e 07.\u003cbr\u003e organiser\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 4 : Classification\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 01.\u003cbr\u003e Aperçu de la classification\u003cbr\u003e 02.\u003cbr\u003e Arbre de décision\u003cbr\u003e ___Caractéristiques du modèle d'arbre de décision\u003cbr\u003e Paramètres de l'arbre de décision\u003cbr\u003e Visualisation des modèles d'arbres de décision \u003cbr\u003eSurapprentissage des arbres de décision\u003cbr\u003e Exercices sur les arbres de décision - Jeu de données de reconnaissance du comportement des utilisateurs\u003cbr\u003e 03.\u003cbr\u003e apprentissage en ensemble\u003cbr\u003e Aperçu de l'apprentissage en ensemble\u003cbr\u003e Types de vote : vote fort et vote faible\u003cbr\u003e ___Classificateur de vote\u003cbr\u003e 04.\u003cbr\u003e Forêt aléatoire\u003cbr\u003e ___Présentation et pratique des forêts aléatoires\u003cbr\u003e ___Hyperparamètres et optimisation des forêts aléatoires\u003cbr\u003e ___Présentation et pratique du GBM\u003cbr\u003e 05. GBM (Gradient Boosting Machine)\u003cbr\u003e ___Présentation des hyperparamètres GBM\u003cbr\u003e Présentation de XGBoost\u003cbr\u003e 06. XGBoost (eXtra Gradient Boost)\u003cbr\u003e ___Installation de XGBoost\u003cbr\u003e ___Wrapper Python pour les hyperparamètres XGBoost\u003cbr\u003e Application du wrapper Python XGBoost - Prédiction du cancer du sein dans le Wisconsin\u003cbr\u003e ___Présentation et application de XGBoost, un wrapper pour Scikit-Learn\u003cbr\u003e 07.\u003cbr\u003e LightGBM\u003cbr\u003e ___Installation de LightGBM\u003cbr\u003e ___Hyperparamètres de LightGBM\u003cbr\u003e Méthode de réglage des hyperparamètres\u003cbr\u003e ___Wrappers Python pour LightGBM et wrapper scikit-learn pour XGBoost,\u003cbr\u003e ___Comparaison des hyperparamètres de LightGBM\u003cbr\u003e Application LightGBM - Prédiction du cancer du sein dans le Wisconsin\u003cbr\u003e 08. \u003cbr\u003eRéglage des hyperparamètres à l'aide de HyperOpt basé sur l'optimisation bayésienne\u003cbr\u003e Aperçu de l'optimisation bayésienne\u003cbr\u003e ___Utilisation d'HyperOpt\u003cbr\u003e Optimisation des hyperparamètres de XGBoost à l'aide d'HyperOpt\u003cbr\u003e 09.\u003cbr\u003e Exercice de classification - Prédiction de la satisfaction client chez Santander (Kaggle)\u003cbr\u003e Prétraitement des données\u003cbr\u003e Entraînement du modèle XGBoost et optimisation des hyperparamètres\u003cbr\u003e Entraînement du modèle LightGBM et optimisation des hyperparamètres\u003cbr\u003e 10.\u003cbr\u003e Exercices de classification - Détection de fraude à la carte de crédit sur Kaggle\u003cbr\u003e Comprendre le sous-échantillonnage et le suréchantillonnage\u003cbr\u003e Traitement primaire des données et apprentissage\/prédiction\/évaluation du modèle\u003cbr\u003e Apprentissage\/prédiction\/évaluation du modèle après transformation de la distribution des données\u003cbr\u003e Entraînement\/prédiction\/évaluation du modèle après suppression des données aberrantes\u003cbr\u003e Entraînement\/prédiction\/évaluation du modèle après application du suréchantillonnage SMOTE\u003cbr\u003e 11.\u003cbr\u003e Ensemble d'empilement\u003cbr\u003e Modèle d'empilement de base\u003cbr\u003e Empilement basé sur des ensembles CV\u003cbr\u003e 12.\u003cbr\u003e organiser\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 5 : Régression\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 01.\u003cbr\u003e Introduction à la régression\u003cbr\u003e 02.\u003cbr\u003e Comprendre la régression à travers la régression linéaire simple\u003cbr\u003e 03.\u003cbr\u003e Minimisation des coûts - Introduction à la descente de gradient\u003cbr\u003e 04. \u003cbr\u003ePrédiction des prix de l'immobilier à Boston à l'aide de la régression linéaire Scikit-Learn\u003cbr\u003e Cours de régression linéaire - Moindres carrés ordinaires\u003cbr\u003e ___Indice d'évaluation de la régression\u003cbr\u003e Mise en œuvre d'une régression linéaire des prix de l'immobilier à Boston\u003cbr\u003e 05.\u003cbr\u003e Comprendre la régression polynomiale et le surapprentissage\/sous-apprentissage\u003cbr\u003e Comprendre la régression polynomiale\u003cbr\u003e Comprendre le sous-apprentissage et le surapprentissage à l'aide de la régression multinomiale\u003cbr\u003e Compromis biais-variance\u003cbr\u003e 06.\u003cbr\u003e Modèles linéaires régularisés - Ridge, Lasso, ElasticNet\u003cbr\u003e ___Aperçu du modèle linéaire réglementaire\u003cbr\u003e Régression de crête\u003cbr\u003e Régression Lasso\u003cbr\u003e Régression ElasticNet\u003cbr\u003e Transformation des données pour les modèles de régression linéaire\u003cbr\u003e 07.\u003cbr\u003e régression logistique\u003cbr\u003e 08.\u003cbr\u003e Arbre de régression\u003cbr\u003e 09.\u003cbr\u003e Exercice de régression - Prévision de la demande de location de vélos\u003cbr\u003e Nettoyage, traitement et visualisation des données\u003cbr\u003e Transformation logarithmique, encodage des caractéristiques et entraînement\/prédiction\/évaluation du modèle\u003cbr\u003e 10.\u003cbr\u003e Exercices de régression - Prix des maisons sur Kaggle : Techniques de régression avancées\u003cbr\u003e Prétraitement des données\u003cbr\u003e Entraînement, prédiction et évaluation du modèle de régression linéaire\u003cbr\u003e Entraînement, prédiction et évaluation du modèle d'arbre de régression \u003cbr\u003ePrédiction finale obtenue en combinant les résultats de prédiction du modèle de régression ___\u003cbr\u003e Prédiction de régression à l'aide de modèles d'ensemble empilés\u003cbr\u003e 11.\u003cbr\u003e organiser\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 6 : Réduction de dimensionnalité\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 01.\u003cbr\u003e Aperçu de la réduction de dimension\u003cbr\u003e 02. ACP (Analyse en Composantes Principales)\u003cbr\u003e Aperçu de l'APC\u003cbr\u003e 03. LDA (Analyse discriminante linéaire)\u003cbr\u003e Aperçu de l'ALD\u003cbr\u003e 04. SVD (Décomposition en valeurs singulières)\u003cbr\u003e Aperçu de la SVD\u003cbr\u003e ___Transformation utilisant la classe TruncatedSVD de scikit-learn\u003cbr\u003e 05. NMF (Factorisation de matrices non négatives)\u003cbr\u003e Aperçu du NMF\u003cbr\u003e 06.\u003cbr\u003e organiser\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 7 : Le clustering\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 01.\u003cbr\u003e Comprendre l'algorithme K-Means\u003cbr\u003e ___Présentation de la classe KMeans de scikit-learn\u003cbr\u003e Regroupement des données Iris à l'aide de l'algorithme K-means\u003cbr\u003e Générer des données pour tester les algorithmes de clustering\u003cbr\u003e 02.\u003cbr\u003e Évaluation par grappes\u003cbr\u003e ___Aperçu de l'analyse de silhouette\u003cbr\u003e Évaluation du cluster à l'aide de l'ensemble de données ___iris\u003cbr\u003e ___Une méthode pour optimiser le nombre de clusters en visualisant le coefficient de silhouette moyen par cluster.\u003cbr\u003e 03.\u003cbr\u003e moyenne mobile\u003cbr\u003e Aperçu du décalage moyen\u003cbr\u003e 04. GMM (Modèle de mélange gaussien)\u003cbr\u003e Introduction au modèle de mélange gaussien (GMM) \u003cbr\u003eRegroupement des données Iris à l'aide d'un modèle gaussien mixte (GMM)\u003cbr\u003e ___Comparaison des méthodes GMM et K-Means\u003cbr\u003e 05. DBSCAN\u003cbr\u003e Aperçu de DBSCAN\u003cbr\u003e Application de DBSCAN - Jeu de données Iris\u003cbr\u003e Application de DBSCAN - ensemble de données make_circles()\u003cbr\u003e 06.\u003cbr\u003e Pratique du clustering - Segmentation client\u003cbr\u003e Définition et techniques de segmentation client\u003cbr\u003e Chargement et nettoyage des données\u003cbr\u003e Traitement des données basé sur RFM\u003cbr\u003e Segmentation client basée sur RFM\u003cbr\u003e 07.\u003cbr\u003e organiser\u003cbr\u003e\u003cbr\u003e \u003cb\u003eAnalyse de texte du chapitre 8\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ___NLP ou analyse de texte ?\u003cbr\u003e 01.\u003cbr\u003e Comprendre l'analyse de texte\u003cbr\u003e Processus d'analyse de texte\u003cbr\u003e ___Package d'analyse de texte et de traitement automatique du langage naturel basé sur Python\u003cbr\u003e 02.\u003cbr\u003e Prétraitement du texte - Normalisation du texte\u003cbr\u003e ___Nettoyage\u003cbr\u003e Tokenisation de texte\u003cbr\u003e ___Supprimer les mots vides\u003cbr\u003e ___Remmatisation et lemmatisation\u003cbr\u003e 03.\u003cbr\u003e Sac de mots - ARC\u003cbr\u003e Vectorisation des caractéristiques ___BOW\u003cbr\u003e Implémentations de Count et de la vectorisation TF-IDF dans Scikit-learn : CountVectorizer, TfidfVectorizer\u003cbr\u003e Matrices creuses pour la vectorisation BOW\u003cbr\u003e Matrice creuse - Format COO\u003cbr\u003e Matrice creuse - Format CSR\u003cbr\u003e 04. \u003cbr\u003eExercice de classification de textes - Classification de 20 groupes de discussion\u003cbr\u003e Normalisation du texte\u003cbr\u003e Transformation par vectorisation des caractéristiques et entraînement\/prédiction\/évaluation des modèles d'apprentissage automatique\u003cbr\u003e Utilisation des pipelines scikit-learn et leur combinaison avec GridSearchCV\u003cbr\u003e 05.\u003cbr\u003e Analyse des sentiments\u003cbr\u003e Introduction à l'analyse des sentiments\u003cbr\u003e Exercice d'analyse des sentiments par apprentissage supervisé - Critiques de films IMDB\u003cbr\u003e ___Présentation de l'analyse des sentiments basée sur l'apprentissage non supervisé\u003cbr\u003e Analyse des sentiments à l'aide de SentiWordNet\u003cbr\u003e Analyse des sentiments à l'aide de ___VADER\u003cbr\u003e 06.\u003cbr\u003e Modélisation thématique - 20 groupes de discussion\u003cbr\u003e 07.\u003cbr\u003e Introduction et pratique du regroupement de documents (ensemble de données d'avis d'opinion)\u003cbr\u003e Concept de regroupement de documents\u003cbr\u003e ___Réalisation d'un regroupement de documents à l'aide de l'ensemble de données Opinion Review\u003cbr\u003e Extraction des mots clés par groupe\u003cbr\u003e 08.\u003cbr\u003e Similitude des documents\u003cbr\u003e Méthode de mesure de la similarité des documents - Similarité cosinus\u003cbr\u003e ___Angle entre deux vecteurs\u003cbr\u003e ___Mesure de la similarité des documents à l'aide de l'ensemble de données d'évaluation des opinions\u003cbr\u003e 09.\u003cbr\u003e Traitement de texte coréen - Analyse des sentiments des notes de films Naver\u003cbr\u003e Difficultés liées au traitement automatique du langage naturel en coréen\u003cbr\u003e ___Présentation de KoNLPy\u003cbr\u003e Chargement des données\u003cbr\u003e 10. \u003cbr\u003ePratique d'analyse de texte - Défi de suggestion de prix Kaggle Mercari\u003cbr\u003e Prétraitement des données\u003cbr\u003e Encodage et vectorisation des caractéristiques\u003cbr\u003e Construction et évaluation d'un modèle de régression Ridge\u003cbr\u003e ___Construction d'un modèle de régression LightGBM et évaluation des prédictions finales à l'aide d'un ensemble\u003cbr\u003e 11.\u003cbr\u003e organiser\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 9 : Systèmes de recommandation\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 01.\u003cbr\u003e Aperçu et contexte des systèmes de recommandation\u003cbr\u003e ___Présentation du système de recommandation\u003cbr\u003e Un élément essentiel des boutiques en ligne : les systèmes de recommandation\u003cbr\u003e ___Types de systèmes de recommandation\u003cbr\u003e 02.\u003cbr\u003e Système de recommandation basé sur le filtrage du contenu\u003cbr\u003e 03.\u003cbr\u003e Filtrage collaboratif du plus proche voisin\u003cbr\u003e 04.\u003cbr\u003e Filtrage collaboratif à facteurs latents\u003cbr\u003e Comprendre le filtrage collaboratif à facteurs latents\u003cbr\u003e Comprendre la décomposition matricielle\u003cbr\u003e Décomposition matricielle par descente de gradient stochastique\u003cbr\u003e 05.\u003cbr\u003e Pratique du filtrage basé sur le contenu - Ensemble de données de films TMDB 5000\u003cbr\u003e Filtrage des films basé sur le contenu à l'aide des attributs de ___genre\u003cbr\u003e Chargement et traitement des données\u003cbr\u003e Mesure de similarité du contenu du genre\u003cbr\u003e Recommandations de films utilisant le filtrage de contenu par ___genre\u003cbr\u003e 06.\u003cbr\u003e pratique de filtrage collaboratif basé sur les plus proches voisins des éléments \u003cbr\u003e___Traitement et conversion des données\u003cbr\u003e Calcul de la similarité entre ___films\u003cbr\u003e Recommandations de films personnalisées utilisant le filtrage collaboratif par plus proches voisins basé sur les articles.\u003cbr\u003e 07.\u003cbr\u003e Pratique du filtrage collaboratif à facteurs latents utilisant la factorisation matricielle\u003cbr\u003e ___Présentation du colis surprise\u003cbr\u003e 08.\u003cbr\u003e Package Python pour système de recommandation - Surprise\u003cbr\u003e Création d'un système de recommandation utilisant ___Surprise\u003cbr\u003e Présentation des principaux modules de Surprise\u003cbr\u003e Classe d'algorithme de recommandation surprise\u003cbr\u003e ___Score de référence\u003cbr\u003e Validation croisée et optimisation des hyperparamètres\u003cbr\u003e Création d'un système de recommandation de films personnalisé utilisant ___Surprise\u003cbr\u003e 09.\u003cbr\u003e organiser\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 10 : Visualisation\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 01.\u003cbr\u003e Premiers pas avec la visualisation - Présentation de Matplotlib et Seaborn\u003cbr\u003e 02.\u003cbr\u003e Matplotlib\u003cbr\u003e ___Comprendre le module pyplot de Matplotlib\u003cbr\u003e Comprendre deux éléments clés de __pyplot : les figures et les axes\u003cbr\u003e Utilisation de la figure et des axes\u003cbr\u003e ___Créer des sous-graphiques avec plusieurs graphiques\u003cbr\u003e Tracez un graphique linéaire à l'aide de la fonction plot() de pyplot.\u003cbr\u003e Définissez le nom de l'axe, faites pivoter les valeurs des graduations de l'axe et définissez la légende. \u003cbr\u003eVisualiser les graphiques individuels par sous-graphique en utilisant plusieurs sous-graphiques\u003cbr\u003e 03.\u003cbr\u003e Seaborn\u003cbr\u003e Types de graphiques pour la visualisation\u003cbr\u003e Types de graphiques de visualisation selon le type d'information\u003cbr\u003e ___Histogramme\u003cbr\u003e ___plot\u003cbr\u003e ___barplot\u003cbr\u003e Utilisez l'argument hue de la fonction ___barplot() pour affiner davantage les informations de visualisation.\u003cbr\u003e Diagramme en boîte\u003cbr\u003e ___intrigue de violon\u003cbr\u003e Visualisez différents graphiques dans Seaborn en utilisant ___subplots\u003cbr\u003e Diagramme de dispersion\u003cbr\u003e Carte thermique de corrélation\u003cbr\u003e 04.\u003cbr\u003e organiser\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate3810\/MidCate007\/380960059(1).jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003eCaractéristiques de ce livre\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ◎ Explications approfondies des principaux algorithmes d'apprentissage automatique, notamment la classification, la régression, la réduction de dimensionnalité et le clustering.\u003cbr\u003e ◎ Présentation des méthodes de configuration optimales des modèles d'apprentissage automatique, y compris le prétraitement des données, l'application de l'algorithme d'apprentissage automatique, le réglage des hyperparamètres et l'évaluation des performances. \u003cbr\u003e◎ Explications détaillées et méthodes d'utilisation des techniques d'apprentissage automatique les plus récentes, telles que XGBoost, LightGBM et l'empilement.\u003cbr\u003e ◎ Apprenez des méthodes pratiques de développement d'applications d'apprentissage automatique en résolvant des problèmes Kaggle stimulants (par exemple, prédire la satisfaction client à la banque Santander, détecter la fraude à la carte de crédit, utiliser des techniques de régression avancées pour prédire les prix de l'immobilier et prédire les prix dans les centres commerciaux Mercari).\u003cbr\u003e ◎ Fournit des théories de base et divers exemples pratiques pour l'analyse de texte et le NLP (classification de texte, analyse des sentiments, modélisation thématique, similarité de documents, regroupement et similarité de documents, analyse des sentiments des films Naver à l'aide de KoNLPy, etc.)\u003cbr\u003e Fournit des instructions pour construire différents systèmes de recommandation directement avec du code Python. \u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate de publication :\u003c\/strong\u003e 21 avril 2022\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 724 pages | 188 × 240 × 29 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791158393229\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN10 :\u003c\/strong\u003e 1158393229 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893203566634,"sku":"138142","price":48.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/53ab7714f09d7d91f5d0dd17769d4f42.jpg?v=1765391834","url":"https:\/\/librairie.coreenne.fr\/products\/138142","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}