Les fondements du machine learning

Définir la régression

TESTEZ LINKEDIN LEARNING GRATUITEMENT ET SANS ENGAGEMENT

Tester maintenant Afficher tous les abonnements
Dans cette séquence, vous aborderez les principes de la régression dans le cadre du machine learning.
02:18

Transcription

Nous commençons maintenant un nouveau chapitre. On reste toujours avec les algorithmes d'apprentissage supervisé mais pour passer à la régression. D'abord une petite introduction me semble nécessaire. Quand on parle de régression, en général on pense d'abord aux très nombreux modèles de régression qui existent quand il s'agit d'expliquer l'influence d'une ou plusieurs variables sur une autre variable d'intérêt. Car c'est une notion apprise en cours de statistiques au lycée. En machine learning, par régression on entend tout algorithme donc modèle qui prend en entrée un certain nombre de variables pour générer en sortie les prédictions sur une variable quantitative continue. En cela, cela s'oppose d'office à la classification qui, elle, vise la prédiction de variable catégorielle. C'est donc, et vous le savez un cas d'apprentissage supervisé. En pratique les cas d'utilisation des modèles de régression sont variés et divers. Elles sont utiles non seulement pour l'exploration des relations entre variables mais également pour leur faculté prédictive. Quelques domaines d'application évidents des techniques de régression de type supervisé, c'est en économétrie et en finance l'exploration et la prédiction des agrégats économiques comme le taux de croissance, les rendements de titres, etc. En immobilier notamment le prix des immeubles ou appartements qui sont estimés grâce à une régression faite sur des variables telles que situation géographique, nombre de chambres, taille du lot, classement du quartier, etc. Estimation de la demande d'un bien ou produit par les entreprises ou gouvernements et ainsi de suite. Très souvent étudiés en statistique, notamment pour les modèles de régression linéaire multivariée, dans cette session qu'on va faire ensemble, la régression sera abordée sous l'optique du machine learning et ceci en son sens le plus général en incluant les modèles paramétriques comme les non-paramétriques mais pas les bayésiens ou les robustes et en se limitant à environ huit modèles de base, sur un peu plus d'une trentaine de modèles de régression existants. À nouveau, ce sera non exhaustif.

Les fondements du machine learning

Acquérez les bases du vocabulaire lié au machine learning. Découvrez les outils fondamentaux avec les idées, applications et concepts mathématiques sous-jacents à chacun.

3h04 (33 vidéos)
Aucun commentaire n´est disponible actuellement
Spécial abonnés
Date de parution :21 déc. 2017

Votre formation est disponible en ligne avec option de téléchargement. Bonne nouvelle : vous ne devez pas choisir entre les deux. Dès que vous achetez une formation, vous disposez des deux options de consultation !

Le téléchargement vous permet de consulter la formation hors ligne et offre une interface plus conviviale. Si vous travaillez sur différents ordinateurs ou que vous ne voulez pas regarder la formation en une seule fois, connectez-vous sur cette page pour consulter en ligne les vidéos de la formation. Nous vous souhaitons un excellent apprentissage avec cette formation vidéo.

N'hésitez pas à nous contacter si vous avez des questions !