Description du cours
Dans ce cours, vous apprendrez les bases de l’apprentissage automatique. Vous serez initié à l’apprentissage automatique et à certains des concepts et sujets connexes. Vous comprendrez les différents types et catégories d’apprentissage automatique. Ce cours couvrira également comment implémenter des modèles d’apprentissage automatique en Python en utilisant le package scikit-learn. Les méthodes d’apprentissage automatique supervisées et non supervisées seront couvertes et démontrées. Tous les concepts et théories seront liés par des exemples ainsi que par la discussion d’applications pratiques, de défis et de considérations clés. À la fin de ce cours, vous reconnaîtrez plusieurs types de processus d’apprentissage automatique ainsi que leurs avantages et la façon dont ils peuvent s’appliquer à des scénarios réels.
OBJECTIFS DE LA FORMATION
- Découvrir ce qu’est l’apprentissage automatique et comment il est utilisé
- En savoir plus sur les différents types de modèles et d’algorithmes d’apprentissage automatique
- En savoir plus sur l’apprentissage automatique supervisé
- En savoir plus sur l’apprentissage automatique non supervisé
- Comprendre les éléments clés à prendre en compte avant et pendant le travail avec des projets et des tâches d’apprentissage automatique
LES COMPÉTENCES
- Sélection du modèle (apprentissage automatique)
- Mise en œuvre non supervisée de l’apprentissage automatique
- Mise en œuvre supervisée de l’apprentissage automatique
- Programmation Python pour l’apprentissage automatique
- Avantages et inconvénients de diverses techniques d’apprentissage automatique
Ce que vous allez apprendre
- Définir ce qu'est l'apprentissage automatique (machine learning) et comment il est utilisé dans des scénarios du monde réel
- Distinguer les différents types et catégories de modèles et d'algorithmes d'apprentissage automatique
- Appliquer des méthodes d'apprentissage automatique supervisé, y compris la régression linéaire et logistique, les machines à vecteurs de support, les arbres de décision et les forêts aléatoires, et les réseaux de neurones
- Appliquer des méthodes d'apprentissage automatique non supervisé, y compris le clustering (regroupement), les modèles de mélange gaussien et l'apprentissage de variétés (manifold learning)
- Implémenter des modèles d'apprentissage automatique en Python à l'aide du package scikit-learn dans JupyterLab
- Évaluer les considérations clés, les défis et les considérations éthiques avant et pendant les projets d'apprentissage automatique
Points clés à retenir
- L'apprentissage automatique est présenté depuis les bases, couvrant les concepts et les sujets connexes ainsi que ses types et ses catégories.
- Le cours couvre à la fois les méthodes d'apprentissage automatique supervisé et non supervisé, démontrant chacune d'elles avec des exemples.
- Les modèles sont implémentés en Python à l'aide du package scikit-learn, avec le travail démontré dans JupyterLab.
- Les concepts sont liés à travers des applications pratiques, des défis et des considérations clés, y compris des considérations éthiques.
- À la fin, les apprenants peuvent reconnaître plusieurs types de processus d'apprentissage automatique, leurs avantages et comment ils s'appliquent à des scénarios du monde réel.
Foire aux questions
Qu'apprendrai-je dans ce cours sur l'Apprentissage Automatique ?
Vous apprendrez les bases de l'apprentissage automatique, y compris ce que c'est et comment il est utilisé, les différents types de modèles et d'algorithmes d'apprentissage automatique, l'apprentissage automatique supervisé, l'apprentissage automatique non supervisé, et les éléments clés à prendre en compte avant et pendant les projets et les tâches d'apprentissage automatique.
Ce cours couvre-t-il à la fois l'apprentissage automatique supervisé et non supervisé ?
Oui. Les méthodes d'apprentissage automatique supervisé et non supervisé sont couvertes et démontrées, y compris des sujets tels que la classification par rapport à la régression, la régression linéaire et logistique, les machines à vecteurs de support, les arbres de décision et les forêts aléatoires, les réseaux de neurones, le clustering, les modèles de mélange gaussien et l'apprentissage de variétés.
Quels outils ou langage de programmation le cours utilise-t-il ?
Le cours explique comment implémenter des modèles d'apprentissage automatique en Python en utilisant le package scikit-learn, et il comprend une introduction à JupyterLab.
Quels sujets au-delà des algorithmes le cours aborde-t-il ?
Parallèlement aux algorithmes, le cours aborde les applications pratiques, les défis, les considérations éthiques, l'importance des données, la sélection des modèles et d'autres considérations clés.
Que serai-je capable de faire après avoir terminé ce cours ?
À la fin du cours, vous reconnaîtrez plusieurs types de processus d'apprentissage automatique ainsi que leurs avantages et comment ils peuvent s'appliquer à des scénarios du monde réel.
