🚨 Time is Running Out: Reserve Your Spot in the Lucky Draw & Claim Rewards! START NOW
regarder maintenant
61 Etudiants

Description

Qu'est-ce que vous allez apprendre ?

  • Vous allez apprendre comment utiliser le langage R pour la science des données et l'apprentissage automatique Vous allez avoir des astuces pratiques et des conseils sur votre carrière de data scientist Vous aurez des exercices pratiques et examiner des cas d'études pour comprendre les fondamentaux du langage R Vous allez pouvoir utiliser les fonctionnalités principales du langage R

Prérequis

  • Aucune connaissance en particulier n'est requise Le logiciel et les données dont vous avez besoin dans cette formation sera offerts gratuitement
  • NFT Certificate
  • 121 Leçons
  • Débutant
  • English
  • 4.6 Note
  • +100 XP

Share Course on Social media

Curriculum

Course consist of total 22h 31m of content, in total.

Section 1: Faites la connaissance de votre instructeur
02:40
Join In Our Facebook and Telegram Group - $197 FREE Bonus
Section 2: Introduction à la science des données
56:59
Introduction au Data Scientist
12:31
Comment changer de carrière vers ML partie 1
14:56
Comment changer de carrière vers ML partie 2
03:31
Section 3: Aperçu de la structure de la formation
22:41
Aperçu de la structure de la formation
22:41
Section 4: Introduction au langage R
26:15
Introduction au langage R
15:07
Installer le langage R
11:08
Section 5: Programmation en R
55:14
Opérateur R
13:45
Langage R- Déclaration conditionnelle et boucle
12:02
Programmation en R - Fonction R #1
13:20
Programmation en R - Fonction R #2
10:10
Programmation en R - Fonction R #3
05:57
Section 6: Langage R structure des données
49:23
Introduction au Langage R structure des données + Vecteur
11:13
Matrice, tableau et cadre de données
14:37
Lecture profonde du cadre de données de R
13:02
Facteur
04:12
Structure des données en R - Liste
06:19
Section 7: Importer et Exporter dans R
32:16
Importer des données CSV dans R
09:26
Importer des données textes dans R
03:19
Importer des données Excel, web dans R
12:47
Exporter des données dans R - Texte
02:37
Exporter des données dans R - CSV & Excel
04:07
Section 8: Manipulation de données
1:33:49
Manipulation de données - Appliquer des fonctions
13:15
Manipulation de données - selectionner
11:46
Manipulation de données - muter
14:28
Manipulation de données - filtrer
14:11
Manipulation de données - arranger
09:38
Manipulation de données - Pipe Operateur
08:30
Manipulation de données - grouper par
11:26
Manipulation de données - Date
10:35
Section 9: Visualisation de données
2:10:04
Introduction à la Visualisation de données & Scatter Plot
12:01
Visualisation de données - mfrow
07:37
Visualisation de données - pch
12:30
Visualisation de données - Coleur
01:19
Visualisation de données - Charte linéaire
03:21
Visualisation de données - Bar Plot
07:05
Visualisation de données - Charte pie
06:43
Visualisation de données - Histogramme
07:06
Visualisation de données - Terrain de Densité
02:26
Visualisation de données - Terrain de boite
05:01
Visualisation de données - terrain en mosaique et Heat Map
07:59
Visualisation de données - 3D Plot
10:39
Correlation Plot et Word Cloud
09:02
Visualisation de données - ggplot2 Partie 1
14:03
Visualisation de données - ggplot2 Partie 2
08:08
Visualisation de données - ggplot2 Partie 3
15:04
Section 10: Introduction aux Statistiques
2:02:57
Introduction aux Statistiques Partie 1
13:25
Introduction aux Statistiques Partie 2
08:53
Introduction aux Statistiques partie 3
14:55
Introduction aux Statistiques partie 4
04:15
Introduction aux Statistiques partie 5
15:10
Introduction aux Statistiques partie 6
08:21
Introduction aux Statistiques partie 7
15:04
Introduction aux Statistiques partie 8
10:45
Introduction aux Statistiques partie 9
10:24
Introduction aux Statistiques partie 10
14:34
Introduction aux Statistiques partie 11
07:11
Section 11: Test d’hypothèse
41:58
Test d’hypothèse Partie 1
10:08
Test d’hypothèse Partie 2
11:28
Test d’hypothèse Partie 3
14:21
Test d’hypothèse Partie 4
06:01
Section 12: Test d’hypothèse en pratique
2:14:01
Test d’hypothèse en pratique partie 1
15:04
Test d’hypothèse en pratique partie 2
09:36
Test d’hypothèse en pratique partie 3
14:16
Test d’hypothèse en pratique partie 4
12:36
Test d’hypothèse en pratique partie 5
10:29
Test d’hypothèse en pratique partie 6
13:46
Chi Square Partie 1
11:19
Chi Square Partie 2
14:57
ANOVA Partie 1
12:30
ANOVA Partie 2
14:20
Ce dont on a parlé dans ce chapitre?
05:08
Section 13: Boite à outils apprentissage automatique
26:31
Boite à outils apprentissage automatique partie 1
14:00
Boite à outils apprentissage automatique partie 2
12:31
Section 14: Comprendre les Cas de business
12:51
Comprendre les Cas de business
12:51
Section 15: Le Data Pre-Processing
1:24:14
Le Data Pre-Processing partie 1
14:45
Le Data Pre-Processing partie 2
14:29
Le Data Pre-Processing partie 3
10:25
Le Data Pre-Processing partie 4
09:39
Le Data Pre-Processing partie 5
12:33
Le Data Pre-Processing partie 6
07:19
Le Data Pre-Processing partie 7
15:04
Section 16: Apprentissage supervisé : Régression
3:06:14
Régression linéaire partie 1
11:47
Régression linéaire partie 2
14:23
Régression linéaire partie 3
20:21
Régression linéaire partie 4
19:02
Régression linéaire partie 5
25:00
Régression linéaire partie 6
15:02
Régression linéaire partie 7 - Corrélation Partie 1
14:31
Régression linéaire partie 7 - Corrélation Partie 2
13:44
Régression linéaire partie 8 - Régression pas à pas
12:52
Régression linéaire partie 9 - Régression pas à pas
16:03
Régression linéaire partie 10 - Variable muette
12:34
Régression linéaire partie 11 - Non Linéaire
10:55
Section 17: Aperçu de la classification
13:29
Aperçu de la classification
13:29
Section 18: Régression logistique
1:11:26
Intuition de régression logistique
14:04
Code d'implémentation partie 1
05:09
Code d'implémentation partie 2
10:37
Évaluation de modèle
12:28
Telecom Churn Cas d'étude
22:27
Résumé
06:41
Section 19: Étude K-NN
40:13
K-NN Intuition
13:26
K-NN code d'implémentation du langage R
12:48
K-NN Cas d'étude
13:59
Section 20: Étude SVM
45:18
SVM - Intuition
08:44
SVM - code d'implémentation du langage R
08:22
SVM - Tuning de Modèle
09:00
SVM - cas d'étude télécom
07:56
SVM - Cas non séparables et avantages et inconvéniants
07:27
Résumé du chapitre SVM
03:49
Section 21: Naive Bayes
36:46
Naive Bayes - Intuition
19:56
Naive Bayes - code d'implémentation du langage R
08:25
Naive Bayes - Cas d'étude
08:25
Section 22: Arbre de décision
1:06:18
Intuition sur l'Arbre de décision
14:54
Arbre de décision-comment ça marche
07:40
Arbre de décision - code d'implémentation du langage R
13:44
Arbre de décision - Pruning
15:36
Arbre de décision - cas d'étude
14:24

Avis sur la plateforme BitDegree