===========================
compléter le code afin de créer un regresseur linéaire et un autre logistique binaire. Ils doivent, aussi, analyser quelques résultats
OUTILS : Python, Jupyter, pandas, scikit-learn, numpy, matplotlib
DATASETS : prix des maisons (régression), notes des étudiants (classement)
PLAN :
I. Réalisation des algorithmes I.1. Regression linéaire I.2. Régression logistique I.3. Déscente du gradient I.4. Regroupement et test de l'implémentation II. Application et analyse II.1. Regression linéaire II.2. Régression logistique binaire
QUOI FAIRE :
I. Réalisation des algorithmes - Calculer la combinaison linéaire - Définir la fonction du coût MSE - Définir la fonction de gradient MSE - La fonction ségmoid - Prédiction de probabilité dans la régression logistique - La fonction de cout BCE - Définir la fonction de gradient BCE - Définir la fonction d'arret de la descente du gradient - Définir la fonction de la mise à jours des paramètres
II. Application et analyse - Taux d'apprentissage et convergence dans la régression linéaire (analyse) - Capacité de prédiction dans la régression linéaire (analyse) - Capacité de prédiction dans la régression polynomiale (analyse) - Normalisation et convergence dans la régression logistique (analyse) - Complexité du modèle et apprentissage dans la régression logistique (analyse)