EXPLORATORY DATA ANALYSIS - CORRIGÉ (27/30)
Exploratory Data Analysis du Covid-19 avec Python (corrigé en 1 heure)
L'analyse effectuée ici est une approche parmi d'autres : Il y a d'autres angles d'attaques (comme ceux que la communauté a partagé sur discord) et qui sont également valides ! Le but de ce corrigé était d'aider les débutants avec une structure et une organisation d'analyse "variable / variable" + le fait de partager quelques astuces
Timeline de la video :
Début 0:00
Introduction 0:00:52
Analyse de forme 0:02:21
Analyse des NaN : 0:04:00
Analyse de fond (Préparation des données) : 0:11:10
Analyse Target : 0:13:39
Analyse des Variables Continues : 0:14:49
Analyse de Age quantile : 0:16:45
Analyse des Variables Discrètes : 0:18:28
Création de sous-ensembles : 0:23:05
Analyse Target / Variables Sang : 0:25:43
Analyse Target / Age : 0:28:21
Analyse Target / Viral : 0:31:17
Conclusions de base : 0:35:49
Analyse plus détaillée : 0:37:21
Matrice de corrélation (Variables Sang) : 0:39:04
Relation Sang / Age : 0:41:54
Analyse Données Virales : 0:45:28
Analyse Vitalité / Variables Sang : 0:47:14
Analyse Statut Hospitalisation : 0:51:14
Impact des NaN sur la variable Target : 0:55:37
Test hypothèse (test de Student) : 0:58:50
Le Notebook : https://github.com/MachineLearnia/Python-Machine-Learning/blob/master/27%20-%20Exploratory%20Data%20Analysis.ipynb
► MON SITE INTERNET EN COMPLÉMENT DE CETTE VIDÉO:
https://machinelearnia.com/
► REJOINS NOTRE COMMUNAUTÉ DISCORD
https://discord.gg/WMvHpzu
► Soutenez-moi sur Tipeee pour du contenu BONUS:
https://fr.tipeee.com/machine-learnia
► Recevez gratuitement mon Livre:
APPRENDRE LE MACHINE LEARNING EN UNE SEMAINE
CLIQUEZ ICI:
https://machinelearnia.com/apprendre-le-machine-learning-en-une-semaine/
► Téléchargez gratuitement mes codes sur github:
https://github.com/MachineLearnia
► Abonnez-vous : https://www.youtube.com/channel/UCmpptkXu8iIFe6kfDK5o7VQ
► Pour En Savoir plus : Visitez Machine Learnia : https://machinelearnia.com/
► Qui suis-je ?
Je m’appelle Guillaume Saint-Cirgue et je suis Data Scientist au Royaume Uni. Après avoir suivi un parcours classique maths sup maths spé et avoir intégré une bonne école d’ingénieur, je me suis tourné vers l’intelligence artificielle de ma propre initiative et j’ai commencé à apprendre tout seul le machine learning et le deep learning en suivant des formations payantes, en lisant des articles scientifiques, en suivant les cours du MIT et de Stanford et en passant des week end entier à développer mes propres codes.
Aujourd’hui, je veux vous offrir ce que j’ai appris gratuitement car le monde a urgemment besoin de se former en Intelligence Artificielle.
Que vous souhaitiez changer de vie, de carrière, ou bien développer vos compétences à résoudre des problèmes, ma chaîne vous y aidera.
C’est votre tour de passer à l’action !
► Une question ? Contactez-moi: contact@machinelearnia.com
Видео EXPLORATORY DATA ANALYSIS - CORRIGÉ (27/30) канала Machine Learnia
L'analyse effectuée ici est une approche parmi d'autres : Il y a d'autres angles d'attaques (comme ceux que la communauté a partagé sur discord) et qui sont également valides ! Le but de ce corrigé était d'aider les débutants avec une structure et une organisation d'analyse "variable / variable" + le fait de partager quelques astuces
Timeline de la video :
Début 0:00
Introduction 0:00:52
Analyse de forme 0:02:21
Analyse des NaN : 0:04:00
Analyse de fond (Préparation des données) : 0:11:10
Analyse Target : 0:13:39
Analyse des Variables Continues : 0:14:49
Analyse de Age quantile : 0:16:45
Analyse des Variables Discrètes : 0:18:28
Création de sous-ensembles : 0:23:05
Analyse Target / Variables Sang : 0:25:43
Analyse Target / Age : 0:28:21
Analyse Target / Viral : 0:31:17
Conclusions de base : 0:35:49
Analyse plus détaillée : 0:37:21
Matrice de corrélation (Variables Sang) : 0:39:04
Relation Sang / Age : 0:41:54
Analyse Données Virales : 0:45:28
Analyse Vitalité / Variables Sang : 0:47:14
Analyse Statut Hospitalisation : 0:51:14
Impact des NaN sur la variable Target : 0:55:37
Test hypothèse (test de Student) : 0:58:50
Le Notebook : https://github.com/MachineLearnia/Python-Machine-Learning/blob/master/27%20-%20Exploratory%20Data%20Analysis.ipynb
► MON SITE INTERNET EN COMPLÉMENT DE CETTE VIDÉO:
https://machinelearnia.com/
► REJOINS NOTRE COMMUNAUTÉ DISCORD
https://discord.gg/WMvHpzu
► Soutenez-moi sur Tipeee pour du contenu BONUS:
https://fr.tipeee.com/machine-learnia
► Recevez gratuitement mon Livre:
APPRENDRE LE MACHINE LEARNING EN UNE SEMAINE
CLIQUEZ ICI:
https://machinelearnia.com/apprendre-le-machine-learning-en-une-semaine/
► Téléchargez gratuitement mes codes sur github:
https://github.com/MachineLearnia
► Abonnez-vous : https://www.youtube.com/channel/UCmpptkXu8iIFe6kfDK5o7VQ
► Pour En Savoir plus : Visitez Machine Learnia : https://machinelearnia.com/
► Qui suis-je ?
Je m’appelle Guillaume Saint-Cirgue et je suis Data Scientist au Royaume Uni. Après avoir suivi un parcours classique maths sup maths spé et avoir intégré une bonne école d’ingénieur, je me suis tourné vers l’intelligence artificielle de ma propre initiative et j’ai commencé à apprendre tout seul le machine learning et le deep learning en suivant des formations payantes, en lisant des articles scientifiques, en suivant les cours du MIT et de Stanford et en passant des week end entier à développer mes propres codes.
Aujourd’hui, je veux vous offrir ce que j’ai appris gratuitement car le monde a urgemment besoin de se former en Intelligence Artificielle.
Que vous souhaitiez changer de vie, de carrière, ou bien développer vos compétences à résoudre des problèmes, ma chaîne vous y aidera.
C’est votre tour de passer à l’action !
► Une question ? Contactez-moi: contact@machinelearnia.com
Видео EXPLORATORY DATA ANALYSIS - CORRIGÉ (27/30) канала Machine Learnia
Показать
Комментарии отсутствуют
Информация о видео
Другие видео канала
![PRÉ-TRAITEMENT DE DONNÉES avec Python (28/30)](https://i.ytimg.com/vi/x8yu8sq8mdw/default.jpg)
![DESCENTE DE GRADIENT (GRADIENT DESCENT) - ML#4](https://i.ytimg.com/vi/rcl_YRyoLIY/default.jpg)
![](https://i.ytimg.com/vi/gK2gisDMkgs/default.jpg)
![DATA SCIENCE ET DÉMARCHE DE TRAVAIL (26/30)](https://i.ytimg.com/vi/1bJYEE9qgS4/default.jpg)
![Les 10 notions mathématiques à connaitre en tant que Data Scientist](https://i.ytimg.com/vi/AycMp7X9Z20/default.jpg)
![Comment CHOISIR LE BON MODÈLE de Machine Learning ?](https://i.ytimg.com/vi/4mqKmTbAnHY/default.jpg)
![Pourquoi y a-t-il des gauchers ?](https://i.ytimg.com/vi/zT1avZJB-_M/default.jpg)
![Support Vector Machines: A Visual Explanation with Sample Python Code](https://i.ytimg.com/vi/N1vOgolbjSc/default.jpg)
![Big Data In Oil & Gas Industry - Ahmed Khamassi, Former VP Data Science, Equinor | BGS Talks #11](https://i.ytimg.com/vi/IYwT-1bssZs/default.jpg)
![Analyse de plusieurs fichiers CSV avec Pandas (exemple des données Bixi)](https://i.ytimg.com/vi/Qn6lGCDslhw/default.jpg)
![SCIPY PYTHON Tutoriel - Optimize, Fourier, NdImage (16/30)](https://i.ytimg.com/vi/P0Xr5TIML8U/default.jpg)
![Guide de l'Analyse Exploratoire des Données -EDA étape par étape-](https://i.ytimg.com/vi/KDzUozgLyCI/default.jpg)
![Feature Engineering: Comment gérer les valeurs manquantes d'une base de données?](https://i.ytimg.com/vi/ew2pxFMwy7s/default.jpg)
![MODÈLE DE MACHINE LEARNING - Covid19 (29/30)](https://i.ytimg.com/vi/r58meM7ieaQ/default.jpg)
![PYTHON SKLEARN - MODEL SELECTION : Train_test_split, Cross Validation, GridSearchCV (21/30)](https://i.ytimg.com/vi/w_bLGK4Pteo/default.jpg)
![FORMATION MACHINE LEARNING (2019) - ML#1](https://i.ytimg.com/vi/EUD07IiviJg/default.jpg)
![MÉTRIQUES de RÉGRESSIONS en DATA SCIENCE (Coefficient de Détermination, Erreur Quadratique, etc... )](https://i.ytimg.com/vi/_TE9fDgtOaE/default.jpg)
![ENSEMBLE LEARNING : BAGGING, BOOSTING et STACKING (25/30)](https://i.ytimg.com/vi/7C_YpudYtw8/default.jpg)
![PYTHON NUMPY machine learning (10/30)](https://i.ytimg.com/vi/NzDQTrqsxas/default.jpg)
![PANDAS PYTHON Français - Introduction + Analyse du Titanic (17/30)](https://i.ytimg.com/vi/zZkNOdBWgFQ/default.jpg)