📌 Tutoriel complet sur l'apprentissage automatique non supervisé avec Scikit-Learn & Python !
📌 Découvrez l'apprentissage non supervisé et les fondamentaux de l'apprentissage automatique dans ce tutoriel détaillé ! 🎯 Cette vidéo simplifie des sujets complexes comme le clustering, la réduction de dimension et la détection d'anomalies, les rendant accessibles aux débutants en science des données et en intelligence artificielle. En utilisant Python et Scikit-Learn, nous vous guiderons à travers des exemples pratiques parfaits pour les aspirants data scientists. 🚀
Déverrouillez la puissance de l'apprentissage automatique non supervisé avec la bibliothèque Scikit-Learn de Python dans ce tutoriel complet. Nous vous guiderons à travers les algorithmes de clustering, PCA, t-SNE et les techniques de détection d'anomalies, fournissant des ensembles de données réels et des visualisations pour améliorer votre compréhension.
Horodatages :
00:00 – Introduction à l'apprentissage automatique non supervisé
02:00 – Comprendre les types d'apprentissage non supervisé : Clustering expliqué
03:10 – Qu'est-ce que la réduction de dimension dans l'apprentissage automatique
04:53 – Détection d'anomalies dans l'apprentissage non supervisé
06:02 – Aperçu de l'exploration de règles d'association
06:56 – Modèles génératifs : Génération de données synthétiques
07:27 – Modélisation de sujets et détection de sujets
09:30 – Application du clustering KMeans sur l'ensemble de données Iris avec Scikit-Learn
14:40 – Visualisation des résultats KMeans avec un nuage de points
17:49 – Comparaison du clustering KMeans avec les étiquettes de classe réelles
19:14 – Mise en œuvre de DBSCAN sur l'ensemble de données Iris
21:46 – Visualisation des résultats DBSCAN par rapport aux étiquettes réelles
23:05 – Introduction aux techniques de réduction de dimension
24:00 – Application de PCA sur l'ensemble de données Iris pour la réduction de dimension
25:57 – Visualisation des données transformées par PCA
26:38 – Comparaison de PCA avec les étiquettes de classe originales
27:27 – Application de t-SNE sur l'ensemble de données Iris pour la visualisation
29:38 – Comparaison des résultats PCA et t-SNE
30:00 – Introduction aux techniques de détection d'anomalies
30:55 – Application de l'Isolation Forest sur l'ensemble de données Iris & visualisation des résultats
33:49 – Application de OneClassSVM pour la détection d'anomalies
35:28 – Résumé et points clés
Dans cette vidéo, vous apprendrez :
- Les fondamentaux de l'apprentissage automatique non supervisé.
- Les principales différences entre le clustering, la réduction de dimension et la détection d'anomalies.
- Mise en œuvre pratique de KMeans, DBSCAN, PCA, t-SNE, Isolation Forest et OneClassSVM en utilisant Scikit-Learn.
- Techniques de visualisation de données pratiques avec Matplotlib.
- Comment les résultats du clustering se comparent aux vraies étiquettes de classe ?
Ressources recommandées :
- Documentation Scikit-Learn
- Ensemble de données Iris de Scikit-Learn
N'oubliez pas de :
👍 Aimer cette vidéo si vous l'avez trouvée utile.
🔔 Vous abonner à notre chaîne pour plus de tutoriels en science des données.
💬 Laisser un commentaire avec vos questions ou les sujets que vous aimeriez que nous abordions ensuite.
Connectez-vous avec moi :
Facebook : facebook.com/shaida.muhd
Signal : +92-3139190354
Skype : shaida.sherpao