Challenge Machine Learning 30 jours
Contenu cours
Sample leçon
Jour 1 : Prédiction du score de dépenses des clients
Vous n'avez actuellement pas accès à ce contenu
Jour 2 : Prédiction de la qualité du vin 🍷
Vous n'avez actuellement pas accès à ce contenu
Jour 3 : Prédiction du courrier indésirable 📧
Vous n'avez actuellement pas accès à ce contenu
Jour 4 : Prédictions immobilières à Melbourne 🏘️
Vous n'avez actuellement pas accès à ce contenu
Jour 5 : Prédiction du prix des maisons 🏠
Vous n'avez actuellement pas accès à ce contenu
Jour 6 : Prédiction des prix du logement en Californie 🗺️
Vous n'avez actuellement pas accès à ce contenu
Jour 7 : Prédiction des maladies cardiaques 💓
Vous n'avez actuellement pas accès à ce contenu
Jour 8 : Prédiction de survie dans le Titanic 🚢
Vous n'avez actuellement pas accès à ce contenu
Jour 9 : Système de recommandation de films 🎬
Vous n'avez actuellement pas accès à ce contenu
Jour 10 : Prédiction du diabète 🍫🍨🍰
Vous n'avez actuellement pas accès à ce contenu
Jour 11 : Prédiction de la maladie de Parkinson 🧠
Vous n'avez actuellement pas accès à ce contenu
Jour 12 : Reconnaissance de chiffres manuscrits MNIST ✍️🔢
Vous n'avez actuellement pas accès à ce contenu
Jour 13 : Le vaisseau spatial Titanic 🚀
Vous n'avez actuellement pas accès à ce contenu
Jour 14 : Prédiction du prix de l’action Tesla 🚘🔋
Vous n'avez actuellement pas accès à ce contenu
Jour 15 : Prédiction de la performance des élèves 🧑🎓
Vous n'avez actuellement pas accès à ce contenu
Jour 16 : Clustering sur les données d’iris 🌷🌹🌼
Vous n'avez actuellement pas accès à ce contenu
Jour 17 : Clustering des clients d’un centre commercial 🏬👨👩👧👦👩👧👦
Vous n'avez actuellement pas accès à ce contenu
Jour 18 : KMeans, DBSCAN et PCA 🫧
Vous n'avez actuellement pas accès à ce contenu
Jour 19 : Algorithme Apriori pour l’analyse du panier de consommation 🥛🍞🧈
Vous n'avez actuellement pas accès à ce contenu
Jour 20 : Détection d’anomalies à l’aide de la forêt d’isolement 🌴
Vous n'avez actuellement pas accès à ce contenu
Jour 21 : Modélisation de sujets à l’aide de LDA 📑
Vous n'avez actuellement pas accès à ce contenu
Jour 22 : Réduction de la dimensionnalité à l’aide de t-SNE et de UMAP 🍞➡️🥪
Vous n'avez actuellement pas accès à ce contenu
Jour 23 : Détection d’anomalies à l’aide d’une forêt d’isolement et du facteur de valeurs aberrantes locales 1️⃣1️⃣–1️⃣1️⃣1️⃣
Vous n'avez actuellement pas accès à ce contenu
Jour 24 : Estimation de la densité du noyau à l’aide de Seaborn 📊⛰️
Vous n'avez actuellement pas accès à ce contenu
Jour 25 : Segmentation de la clientèle à l’aide du clustering hiérarchique 🛍️🛒🏬
Vous n'avez actuellement pas accès à ce contenu
Jour 26 : Détection d’anomalies à l’aide de OneClassSVM 😇😇👿😇😇
Vous n'avez actuellement pas accès à ce contenu
Jour 27 : Clustering à l’aide de GMM, KMeans et DBSCAN 🧛♂️🧛🧛🧜♀️🧜♂️🧜
Vous n'avez actuellement pas accès à ce contenu
Jour 28 : Association de règles d’apprentissage avec FP-Growth 🥛🍞🧈
Vous n'avez actuellement pas accès à ce contenu
Jour 29 : Clustering à l’aide d’un mélange bayésien gaussien 🌷🌼🌺
Vous n'avez actuellement pas accès à ce contenu
Jour 30 : Réduction de la dimensionnalité à l’aide de LDA et de SVD 🤏
Vous n'avez actuellement pas accès à ce contenu


