Machine learning in Python with scikit-learn
Réf. 41026
Build predictive models with scikit-learn and gain a practical understanding of
the strengths and limitations of machine learning!
- Effort : 36 heures
- Rythme: Auto-rythmé
- Langues: Anglais
Ce que vous allez apprendre
À la fin de ce cours, vous saurez :
- Grasp the fundamental concepts of machine learning
- Build a predictive modeling pipeline with scikit-learn
- Develop intuitions behind machine learning models from linear models to gradient-boosted decision trees
- Evaluate the statistical performance of your models
Please note that this course is available in english only.
Description
Predictive modeling is a pillar of modern data science. In this field, scikit-learn is a central tool: it is easily accessible and yet powerful, and it dovetails in a wider ecosystem of data-science tools based on the Python programming language.
This course is an in-depth introduction to predictive modeling with scikit-learn. Step-by-step and didactic lessons will give you the fundamental tools and approaches of machine learning, and is as such a stepping stone to more advanced challenges in artificial intelligence, text mining, or data science.
The course covers the software tools to build and evaluate predictive pipelines, as well as the related concepts and statistical intuitions. It is more than a cookbook: it will teach you to understand and be critical about each step, from choosing models to interpreting them.
The training will be essentially practical, focusing on examples of applications with code executed by the participants.
The MOOC is completely free of charge, and all the course materials are also available on a GitHub repository.
The authors of the course are scikit-learn core developpers, they will be your guides throughout the training!
Format
The course will cover practical aspects through the use of Jupyter notebooks and regular exercises. Throughout the course, we will highlight scikit-learn best practices and give you the intuition to use scikit-learn in a methodologically sound way.
Prérequis
The course aims to be accessible without a strong technical background. The requirements for this course are:
- basic knowledge of Python programming : defining variables, writing functions, importing modules
- some practical experience of the NumPy, Pandas and Matplotlib libraries is useful but not required. For a basic knowledge of these libraries, you can use the following resources : Introduction to NumPy and Matplotlib by Sebastian Raschka and 10 minutes to pandas.
Evaluation et Certification
Students' work in the course is assessed through quizzes after the lessons and programming exercises at the end of every modules. An Open Badge will be issued by FUN several times a year for participants who have achieved the minimum score required.
Plan de cours
- Introduction: Machine Learning concepts
- Module 1. The Predictive Modeling Pipeline
- Module 2. Selecting the best model
- Module 3. Hyperparameters tuning
- Module 4. Linear Models
- Module 5. Decision tree models
- Module 6. Ensemble of models
- Module 7. Evaluating model performance
Équipe pédagogique
Arturo Amor
Catégories
Arturo Amor is an engineer at Inria. He is in charge of broadening the scikit-learn documentation's accessibility to all kind of users.
Loïc Estève
Catégories
Loïc Estève is a research engineer at Inria. He is a scikit-learn core developer since 2016.
Olivier Grisel
Catégories
Olivier Grisel is a machine learning engineer at Inria. He is a scikit-learn core developer since 2010.
Guillaume Lemaître
Catégories
Guillaume Lemaître is a research engineer at Inria. He is a scikit-learn core developer since 2017.
Gaël Varoquaux
Catégories
Gaël Varoquaux is a research director at Inria. He is one of the creator of scikit-learn and the project manager for the scikit-learn consortium.
Établissements
Partenaire
Hébergement de l'environnement d'exécution des notebooks Jupyter pour ce Mooc.
Réseaux Sociaux
Suivez-nous sur Twitter @InriaLearnLab et n'hésitez pas à utiliser le hashtag #ScikitLearnMooc.
Licence
Licence pour le contenu du cours
Attribution
Vous êtes autorisé à :
- Partager — copier, distribuer et communiquer le matériel par tous moyens et sous tous formats
- Adapter — remixer, transformer et créer à partir du matériel pour toute utilisation, y compris commerciale.
Selon les conditions suivantes :
Attribution — Vous devez créditer l'oeuvre, intégrer un lien vers la licence et indiquer si des modifications ont été effectuées à l'oeuvre. Vous devez indiquer ces informations par tous les moyens raisonnables, sans toutefois suggérer que l'offrant vous soutient ou soutient la façon dont vous avez utilisé son oeuvre.
Licence pour le contenu créé par les participants du cours
Attribution - Pas d’Utilisation Commerciale - Pas de Modification
Vous êtes autorisé à :
- Partager — copier, distribuer et communiquer le matériel par tous moyens et sous tous formats
Selon les conditions suivantes :
- Attribution — Vous devez créditer l'oeuvre, intégrer un lien vers la licence et indiquer si des modifications ont été effectuées à l'oeuvre. Vous devez indiquer ces informations par tous les moyens raisonnables, sans toutefois suggérer que l'offrant vous soutient ou soutient la façon dont vous avez utilisé son oeuvre.
- Pas d’Utilisation Commerciale — Vous n'êtes pas autorisé à faire un usage commercial de cette oeuvre, tout ou partie du matériel la composant.
- Pas de modifications — Dans le cas où vous effectuez un remix, que vous transformez, ou créez à partir du matériel composant l'oeuvre originale, vous n'êtes pas autorisé à distribuer ou mettre à disposition l'oeuvre modifiée.