Machine Learning Algorithms Repository

Ce dépôt contient une collection d'algorithmes de machine learning implémentés à travers des notebooks Jupyter interactivement (.ipynb), couvrant des approches supervisées et non supervisées.

Structure du Dépôt

Le dépôt est organisé par type d'algorithme :

1. Analyse en Composantes Principales (PCA)

• Objectif : Réduction de dimensionnalité et visualisation.
• Données : Iris dataset.
• Techniques : Normalisation des données, projection 2D/3D.

2. Arbres de Décision

• Objectif : Classification binaire.
• Données : Titanic survivors dataset.
• Modèle : DecisionTreeClassifier.

3. Clustering - K-Means

• Objectif : Segmentation de données (apprentissage non supervisé).
• Données : Mall Customers (segmentation de clientèle).

4. Gradient Boosting

• Objectif : Régression pour la prédiction de prix.
• Données : Immobilier au Maroc (Location Data).
• Modèle : GradientBoostingRegressor.

5. Naive Bayes

• Objectif : Classification probabiliste.
• Données : Titanic dataset.
• Variantes : Gaussian, Multinomial, Categorical Naive Bayes.

6. Régression Linéaire

• Objectif : Prédiction de valeurs continues.
• Données : Coûts et revenus de films.

7. Régression Logistique

• Objectif : Classification binaire (médicale).
• Données : Breast Cancer Diagnostic dataset.

8. Support Vector Machine (SVM)

• Objectif : Classification et prédiction de ventes.
• Données : Ventes commerciales et données utilisateurs.

---

Comment utiliser ce dépôt

Chaque répertoire contient son propre fichier README.md avec des détails spécifiques sur les implémentations et les jeux de données utilisés. Les notebooks offrent une exploration interactive de chaque algorithme.

Prérequis

• Python 3.x
• Bibliothèques : pandas, numpy, matplotlib, seaborn, scikit-learn
• Jupyter Notebook ou JupyterLab