Introduction douce à la régression logistique. Nous explorons ce modèle d'apprentissage automatique puissant mais simple pour des tâches de classification binaire comme prédire si un étudiant va réussir ou échouer à un examen !
Nous expliquerons la différence entre la régression logistique et la régression linéaire, plongerons dans l'intuition derrière la fonction sigmoïde, et découvrirons pourquoi la perte d'entropie croisée a du sens pour les modèles basés sur la probabilité.
Pas de mathématiques complexes nécessaires : juste des explications claires, des visuels intuitifs, et une démonstration pratique en Python avec scikit-learn.
---------------
00:00 Introduction
00:30 Exemple de travail
1:06 Revue de la régression linéaire
2:33 Régression logistique
3:30 Fonction de perte d'entropie croisée
7:10 Code
Cette vidéo n'aurait pas été possible sans l'aide de Gökçe Dayanıklı.