#CLASSIFICATION  #PYTHON #PYCARET #KNIME  

Ce que vous apprendrez

  • Construire un modèle de prédiction de défections

  • Créer un modèle d'apprentissage automatique

  • S'initier à PyCaret et KNIME

  • Votre expérimente d'apprentissage

    Apprendre par la pratique, développer votre intuition et comprendre les concepts de base.

  • Notre objectif

    Vous fournir une expérience d’apprentissage pour vous aider à atteindre vos objectifs.

  • Prérequis

    Connaissances de base en Python et en apprentissage automatique

  • Applications

    Éventail de tâches ayant la classification comme objectif

  • Outils

    Python (distribution Anaconda), ainsi que la bibliothèque PyCaret. KNIME

Contenu du projet pratique

    1. Bienvenue

    2. Option Premium

    3. Prérequis

    4. Avant que nous commencions...

    1. Vue d’ensemble du projet

    2. Objectifs d'apprentissage

    3. Domaines d’application

    4. Ressources

    5. Mise en place de l’environnement

    6. Code initial

    1. Description de la tâche

    2. Conseils

    3. Solution

    1. Description de la tâche

    2. Conseils

    3. Solution

    1. Description de la tâche

    2. Conseils

    3. Solution

    1. Quiz

  • Gratuit
  • 29 leçons

Description

La prédiction de défection n'est qu'une tâche de classification. Il s'agit donc de monter un modèle mathématique capable d'assigner une observation à une classe prédéfinie, qui sont dans notre cas la défection ou la non-défection. Dans ce tutoriel, nous nous pencherons sur un cas d'application très populaire : La prédiction de défection des clients d'une compagnie de télécom. L'ensemble de données utilisée comporte plusieurs milliers de clients ainsi que plusieurs colonnes apportant de l'information sur ceux-ci, dont leur statut actuel, soit une défection ou une non-défection. Si vous voulez apprendre à créer un modèle de classification tout en limitant la quantité de programmation requise, alors ce tutoriel vous est destiné! Nous utiliserons PyCaret, une librairie Python de type « open source » et « low code ». Nous verrons aussi un équivalent de type « no-code » avec l’outil KNIME. Nul besoin de travailler dans la science des données afin de suivre ce cours, mais il est recommandé d’avoir des connaissances de base en Python et en apprentissage automatique.

Instructeur

Julien Deslongchamps

Partenaire Formation

Étudiant de HEC Montréal à la maîtrise en intelligence d’affaires, j’ai fait de la science des données le cœur de mes études de second cycle universitaire. Dans mon parcours académique et professionnel, on peut retrouver une multitude de projets relevant d’une diversité de domaines, tel que l’apprentissage machine, l’analyse textuelle, l’ingénierie de données, la gestion de base de données et bien d’autres, réalisés sur des logiciels de l’ère moderne tel que Python, R, SAS, PowerBI et SQL. Étant conscient de l’importance croissante de l’intelligence artificielle dans le monde, il me fait plaisir de partager mes connaissances à toute personne désirant acquérir l’expertise requise dans ce monde numérique.

Questions fréquemment posées

  • De quels logiciels et versions ai-je besoin ?

    À définir

  • Est-ce que le cours de préparation est obligatoire à suivre

    Non. Le cours a été conçu comme une référence

  • Est-ce que le contenu sera encore disponible après la fin du projet

    Absolument et pour toujours!