Summary
This chapter covers data preprocessing techniques using pandas, including handling missing values, encoding categorical variables, and preparing features for consistent scaling.

General domain of usage
Machine learning

Commencer la prétraitement en explorant le jeu de données. Tout au long de ce cours, le **jeu de données des manchots** sera utilisé, avec pour objectif de prédire l'espèce d'un manchot.


Il existe trois options possibles, souvent appelées **classes** en apprentissage automatique :

Les caractéristiques sont : `'island'`, `'culmen_depth_mm'`, `'flipper_length_mm'`, `'body_mass_g'` et `'sex'`.

Le jeu de données est stocké dans le fichier `penguins.csv`. Il peut être chargé à partir d'un lien avec la fonction `pd.read_csv()` pour examiner son contenu :


import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins.csv')

print(df.head(10))

Ce jeu de données présente plusieurs problèmes à résoudre :

* Données manquantes ;
* Variables catégorielles ;
* Échelles de caractéristiques différentes.


## Données manquantes

La plupart des algorithmes de ML ne peuvent pas traiter directement les valeurs manquantes, il est donc nécessaire de les gérer avant l'entraînement. Les valeurs manquantes peuvent être **supprimées** ou **imputées** (remplacées par des valeurs de substitution).

Dans `pandas`, les cellules vides sont représentées par `NaN`. De nombreux modèles de ML génèrent une erreur si le jeu de données contient ne serait-ce qu'un seul `NaN`.


## Données catégorielles

Le jeu de données comprend des variables catégorielles, que les modèles d'apprentissage automatique ne peuvent pas traiter directement.


Les données catégorielles doivent être **encodées** sous forme numérique.


## Différentes échelles

Les valeurs de `'culmen_depth_mm'` varient de 13.1 à 21.5, tandis que les valeurs de `'body_mass_g'` varient de 2700 à 6300. Pour cette raison, certains modèles d'apprentissage automatique peuvent considérer la caractéristique `'body_mass_g'` comme **beaucoup plus importante** que `'culmen_depth_mm'`.

La **mise à l'échelle** résout ce problème. Ce sujet sera abordé dans les chapitres suivants.

L'apprentissage automatique est désormais utilisé partout. Vous souhaitez l'apprendre vous-même ? Ce cours constitue une introduction au monde de l'apprentissage automatique afin de vous permettre d'acquérir les concepts de base, de travailler avec Scikit-learn – la bibliothèque la plus populaire pour le ML – et de réaliser votre premier projet d'apprentissage automatique.
Ce cours s'adresse aux étudiants ayant des connaissances de base en Python, Pandas et Numpy.

Découvrez les concepts de l'apprentissage automatique et le flux de travail d'un projet ML.

Le prétraitement est probablement l’étape la plus importante d’un projet ML. Ce chapitre couvre les étapes de prétraitement nécessaires pour presque tout jeu de données.

Un pipeline est une méthode élégante pour combiner toutes les étapes de prétraitement ainsi qu’un modèle. Les pipelines facilitent grandement l’entraînement et l’utilisation d’un modèle.

La modélisation est l'étape la plus intéressante d'un projet ML. Apprenons à construire, ajuster et évaluer le modèle !

Getting Familiar with Dataset

Données manquantes

Données catégorielles

Différentes échelles