Explore les fondamentaux de régression logistique, y compris les fonctions de coût, la régularisation et les limites de classification, avec des exemples pratiques utilisant scikit-learn.
Explore les arbres de décision pour la classification, l'entropie, le gain d'information, l'encodage à chaud, l'optimisation de l'hyperparamètre et les forêts aléatoires.
Explore la régression logistique, les fonctions de coût, la descente en gradient et la modélisation de probabilité à l'aide de la fonction sigmoïde logistique.
Introduit des tuples et des classes de données nommées en Python, mettant l'accent sur leur flexibilité et leur facilité d'utilisation pour la manipulation des données.
Couvre les bases de Python telles que la syntaxe, les variables et les fonctions, en introduisant la plate-forme Renku pour la science collaborative des données.
