Bienvenue dans ce cours sur RapidMiner pour la Data Science ! Si vous êtes intéressé par la façon dont on peut utiliser RapidMiner pour mener à bien des analyses de données rigoureuses et devenir un bon Data Scientist, alors c'est le cours qu'il vous faut !

Pourquoi apprendre RapidMiner?

RapidMiner est l'un des meilleurs outils de la Data Science . Vous n'avez pas besoin de savoir coder pour faire de la Data Science. De plus, cet outil vous permet de gagner votre job de rêve car il est le plus utilisé par les compagnies de la Data Science et d'Intelligence Artificielle. Aussi, apprendre RapidMiner est l'un des moyens les plus rapides d'améliorer considérablement vos plans de carrière que vous soyez Data Scientist, ou Data Analyst.

Ce cours vous guidera à travers tout ce que vous devez savoir pour utiliser RapidMiner pour la Data Science ! Nous commencerons par apprendre le fonctionnement de RapidMiner et comment faire le prétraitement des données, puis nous nous pencherons de façon pratique sur les différents algorithmes de machine learning et Data Mining les plus utilisés en Data Science. Enfin, nous terminerons sur comment faire de façon pratique le deep learning.

Essentiellement, ce cours est structuré comme suit :

Section 1: Les bases importantes et la présentation de la formation

• Présentation de la formation

• Les bases sur le machine learning

• Les bases sur le Data Mining

Section 2: Installations et prétraitement des données

• Installations et présentation de RapidMiner

• Introduction sur le prétraitement des données

• Analyse statistique des données et gestion des valeurs manquantes

• Sélection des attributs et la définition du label

• Analyse en composantes principales (ACP)

Section 3: Data Mining

• Introduction au Data Mining

• Les règles d'associations

• Les arbres de décision

Section 4: Apprentissage supervisé

• Introduction à l'apprentissage supervisé

• Régression Logistique

• Machine à vecteurs de support

• Classification naïve bayésienne

• Les Réseaux de neurones

Section 5: Apprentissage non supervisé

• Clustering avec K-means

Section 5: Deep Learning

• Deep Learning