Livre Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets Télécharger le PDF - Aurélien Géron

Télécharger eBook gratuit ➡ http://filesbooks.info/pl/livres/13501/919

Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets
Aurélien Géron
Nb. de pages: 256
Format: Pdf, ePub, MOBI, FB2
ISBN: 9782100790654
Editeur: Dunod
Date de parution: 2019

Télécharger ou lire en ligne Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets Livre gratuit (PDF ePub Mobi) pan Aurélien Géron.
Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets Aurélien Géron PDF, Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets Aurélien Géron Epub, Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets Aurélien Géron Lire en ligne , Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets Aurélien Géron Audiobook, Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets Aurélien Géron VK, Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets Aurélien Géron Kindle, Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets Aurélien Géron Epub VK, Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets Aurélien Géron Téléchargement gratuit

Overview
L'apprentissage automatique (Machine Learning) est aujourd'hui en pleine explosion. Mais de quoi s'agit-il exactement, et comment pouvez-vous le mettre en oeuvre dans vos propres projets ? L'objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Machine Learning et de vous apprendre à maîtriser les outils qui vous permettront de créer vous-même des systèmes capables d'apprentissage automatique. Vous apprendrez ainsi à utiliser Scikit-Learn, un outil open source très simple et néanmoins très puissant que vous pourrez mettre en oeuvre dans vos systèmes en production. - Apprendre les bases du Machine Learning en suivant pas à pas toutes les étapes d'un projet utilisant Scikit-Learn et pandas. - Ouvrir les boîtes noires pour comprendre comment fonctionnent les algorithmes. - Explorer plusieurs modèles d'entraînement, notamment les machines à vecteur de support (SVM). - Comprendre le modèle des arbres de décision et celui des forêts aléatoires, et exploiter la puissance des méthodes ensemblistes. - Exploiter des techniques d'apprentissage non supervisées telles que la réduction de dimensionnalité, la classification et la détection d'anomalies.