Après le feature engineering, place au tuning des hyperparametres pour ajuster finement vos prédictions !
Tuning des hyper-paramètres de Machine LearningAuteur/autrice : Benoit Cayla
Ingénieur en informatique avec plus de 20 ans d’expérience dans la gestion et l’utilisation de données, Benoit CAYLA a mis son expertise au profit de projets très variés tels que l’intégration, la gouvernance, l’analyse, l’IA, la mise en place de MDM ou de solution PIM pour le compte de diverses entreprises spécialisées dans la donnée (dont IBM, Informatica et Tableau). Ces riches expériences l’ont naturellement conduit à intervenir dans des projets de plus grande envergure autour de la gestion et de la valorisation des données, et ce principalement dans des secteurs d’activités tels que l’industrie, la grande distribution, l’assurance et la finance. Également, passionné d’IA (Machine Learning, NLP et Deep Learning), l’auteur a rejoint Blue Prism en 2019 et travaille aujourd’hui en tant qu’expert data/IA et processus. Son sens pédagogique ainsi que son expertise l’ont aussi amené à animer un blog en français (datacorner.fr) ayant pour but de montrer comment comprendre, analyser et utiliser ses données le plus simplement possible.
Titanic : Allons plus loin ! (Partie 2)
Au travers des données Kaggle du Titanic, l'idée de cet article est d'illustrer quelques techniques de features engineering.
Titanic : Allons plus loin ! (Partie 2)Python Pandas – Tuto (Partie N°2)
Découvrez dans cette deuxième partie de mon tutoriel Pandas comment notamment utiliser les fonctions ensemblistes (simili SQL).
Python Pandas – Tuto (Partie N°2)Kaggle : Commencer avec le Titanic ! (Partie 1)
Lancez-vous dans votre première compétation Kaggle et obtenez 75% avec le Titanic !
Kaggle : Commencer avec le Titanic ! (Partie 1)