Part 3 - Intelligence Artificielle - Classification

https://github.com/mohamedYoussfi/ml-... Concepts de bases de la classification : Effectuer un rappel sur l’apprentissage supervisé. Rappeler la différence entre les problèmes de régression et de classification. Distinguer les différents types de classification : binaire, multiclasse et multilabel. Présenter les algorithmes de classification dits « enthousiastes » et « paresseux ». Comprendre le principe de la régression logistique. -Évaluer un modèle de classification à l’aide des principales métriques de performance : matrice de confusion ; accuracy, précision, recall, F1-score. Cas pratique : classification pour la prédiction du diabète Présenter et expliquer le dataset utilisé. Charger le dataset avec la bibliothèque Pandas. Analyser le dataset : analyser les statistiques descriptives ; identifier, visualiser et traiter les valeurs manquantes. Réaliser une visualisation des données avec Seaborn : histogrammes, tableaux croisés avec crosstab, matrice de corrélation entre les variables indépendantes. Diviser le dataset en ensembles d’entraînement et de test avec Scikit-learn. Standardiser les données avec StandardScaler. Entraîner et évaluer plusieurs modèles de classification : Régression logistique ; SVM ; Arbre de décision ; Random Forest ; KNN ; Réseau de neurones MLP. Analyser l’importance des variables explicatives avec la feature importance.