Introduction à la descente de gradient (gradient descent)

En statistique, la régression polynomiale est une forme d'analyse de régression dans laquelle la relation entre la variable indépendante x et la variable dépendante y est modélisée comme un polynôme de nième degré dans x. Dans cet article, je présenterai la régression polynomiale avec Python. Lire la suite...

Introduction simple à la régression polynomiale

La descente de gradient est une méthode d'optimisation. L'idée de descente de gradient est la suivante, nous avons une fonction que nous voulons minimiser et nous devons trouver les entrées/valeurs optimales pour minimiser cette fonction. Lire la suite...

Introduction à la régression logistique avec Python

La régression logistique est l’un des algorithmes d’apprentissage automatique les plus populaires pour la classification binaire. En effet, il s’agit d’un algorithme simple qui fonctionne très bien sur un large éventail de problèmes. Dans cet article, vous allez découvrir l’algorithme de régression logistique pour la classification binaire, étape par étape. Après avoir lu cet article, vous saurez comment calculer la fonction logistique, apprendre les coefficients d'un modèle de régression logistique utilisant la descente de gradient stochastique et comment effectuer des prédictions à l'aide d'un modèle de régression logistique. Lire la suite...

Un premier regard sur la classification linéaire et la régression logistique

La régression logistique est couramment utilisée pour estimer la probabilité qu'une instance appartienne à une classe particulière. Si la probabilité estimée est supérieure à 50%, le modèle prédit que l'instance appartient à cette classe (appelée classe positive, «1») ou sinon qu'elle ne fait pas partie de cette classe (c'est-à-dire qu'elle appartient à la classe négative, "0"). Dans ce post, je vais vous donner une introduction à ce que la régression logistique ressemble et comment elle diffère de la régression linéaire. Lire la suite...

Introduction simple à la régression linéaire multiple

La régression linéaire multiple, également appelée régression multiple, est une technique statistique qui utilise plusieurs variables explicatives pour prédire le résultat d'une variable de réponse. La régression linéaire multiple a pour objectif de modéliser la relation linéaire entre les variables explicatives (indépendantes) et la variable de réponse (dépendante). Dans cet article, je donnerai une introduction simple au problème de la régression multiple, je présenterai l'équation normale et montrerai une implémentation simple en Python..Lire la suite...

Qu'est-ce que le Machine Learning?

L'apprentissage automatique consiste à utiliser un ensemble d'algorithmes statistiques et mathématiques pour effectuer des tâches telles que l'apprentissage de concepts, la modélisation prédictive, le regroupement (clustering), et l'exploration de modèles utiles. Le but ultime est d’améliorer l’apprentissage de manière à ce qu’il devienne automatique, de sorte qu’aucune autre interaction humaine ne soit nécessaire, ou au moins que le niveau d’interaction humaine soit réduit autant que possible. Dans cet article, je vais vous présenter ce qu'est l'apprentissage automatique, quels sont les trois principaux types d'apprentissage automatique et à quoi ressemble un processus d'apprentissage automatique.Lire la suite...

Utilisation de la régression linéaire simple pour les courbes exponentielles

Un avantage important de la régression linéaire est qu’elle peut également s’appliquer aux problèmes qui ne semblent pas linéaires au début. Dans ce post, nous allons cibler les problèmes exponentiels. Nous prendrons l'exemple de la loi de Moore et l'appliquerons en Python.Lire la suite...

Introduction à la régression linéaire simple

La régression linéaire est un algorithme d’apprentissage par régression populaire qui apprend un modèle qui est une combinaison linéaire des caractéristiques de l’exemple d’entrée. Dans cet article, vous verrez l'intuition de la régression linéaire simple, qui nous permettra plus tard de passer à côté de concepts plus sophistiqués en régression. À la fin de cet article, vous pourrez résoudre un exemple simple de régression linéaire simple en Python.Lire la suite...