Introduction au machine learning de bout en bout

Plongez dans l’univers de l’apprentissage automatique et découvrez comment concevoir, entraîner et déployer des modèles de bout en bout grâce à ce cours complet. Grâce à des exemples concrets et captivants ainsi qu’à des exercices pratiques, vous apprendrez à résoudre des problèmes de données complexes et à créer de puissants modèles de ML. À la fin de ce cours, vous aurez les compétences nécessaires pour créer, surveiller et maintenir des modèles performants qui fournissent des informations exploitables. Transformez votre expertise en apprentissage automatique grâce à ce cours complet et pratique, et devenez un pro du ML de bout en bout !

Évaluez et améliorez votre modèle

Commencez par apprendre les notions essentielles de l’analyse exploratoire des données (EDA) et de la préparation des données — vous nettoierez et prétraiterez vos données, en vous assurant qu’elles sont prêtes pour l’entraînement du modèle. Ensuite, maîtrisez l’art de l’ingénierie et de la sélection des caractéristiques afin d’optimiser vos modèles pour les défis du monde réel; apprenez à utiliser la bibliothèque Boruta pour la sélection des caractéristiques, à consigner vos expériences avec MLFlow et à peaufiner vos modèles à l’aide de la validation croisée k-fold. Découvrez les secrets des métriques d’erreur efficaces et apprenez à diagnostiquer le surapprentissage, afin de mettre vos modèles sur la voie du succès.

Déployez et surveillez votre modèle

Vous explorerez également l’importance des feature stores et des model registries dans les frameworks de ML de bout en bout. Apprenez à déployer et à surveiller les performances de votre modèle au fil du temps à l’aide de Docker et d’AWS. Comprenez le concept de dérive des données et comment la détecter à l’aide de tests statistiques. Mettez en place des boucles de rétroaction, du réentraînement et des stratégies d’étiquetage pour maintenir les performances de vos modèles face à des données en constante évolution.

Ce cours vous dotera de compétences pratiques directement applicables à une carrière de scientifique des données ou d’ingénieur en apprentissage automatique, vous permettant de concevoir, déployer et maintenir des modèles; des compétences essentielles pour maximiser l’impact commercial des solutions d’apprentissage automatique.

	Positif réel	Négatif réel
Prédit positif	30	10
Prédit négatif	20	50

Comprendre les matrices de confusion

Apprentissage Machine de bout en bout

Exercice interactif pratique