Programmer, c'est écrire les règles soi-même. Apprendre, c'est laisser un modèle les déduire d'exemples : en supervisé avec une étiquette (régression, classification), en non supervisé sans étiquette (clustering). Avant de modéliser, on explore : on agrège ou on échantillonne dans Spark, puis toPandas() sur un petit résultat, puis Matplotlib ou Seaborn. Un modèle Spark ML est un Pipeline : préparation (StringIndexer, OneHotEncoder, VectorAssembler, StandardScaler) puis algorithme, entraîné sur le train et jugé sur le test. Un score excellent doit éveiller le soupçon : une feature inconnue au moment de prédire (total_amount, payment_type) est une fuite de données.
Aperçu — la suite de la leçon est réservée aux inscrits.
Votre accès est rattaché à votre compte, pas à ce lien. Connectez-vous avec le même courriel qu'en classe : votre cours vous attend, inutile de ré-entrer le code.
Se connecterPas encore de compte ? En créer unLes premiers modules du cours sont en accès libre. Pour la suite, trois possibilités : acheter ce cours une fois pour toutes, vous abonner pour tout ouvrir, ou entrer le code si vous suivez le cours en classe.