supervised-learning

Ce dépôt fournit un guide complet sur l'apprentissage automatique supervisé, en commençant par les mathématiques fondamentales telles que les dérivées, les probabilités et les logarithmes. Il utilise une approche étape par étape pour dériver les concepts mathématiques avant de passer aux outils modernes. Les composants éducatifs clés incluent : - Logistic Regression : Théorie et implémentation à partir de zéro en utilisant le jeu de données Wisconsin Breast Cancer, ainsi qu'une implémentation de niveau production avec PyTorch. - Decision Trees : Analyses théoriques approfondies avec des implémentations à partir de zéro, et des applications pratiques pour prédire les prix de l'immobilier à Londres en utilisant Scikit-learn, Random Forests et XGBoost. - ATLAS (Automated Tree Learning Analysis System) : Un système pour l'ingénierie des caractéristiques et la comparaison de modèles. - Datasets : Intégration des jeux de données Wisconsin Breast Cancer et London Housing Prices pour des tâches de classification et de régression. Le matériel est fourni via des notebooks Jupyter compatibles avec Google Colab pour une exécution via navigateur.