Dans ce chapitre, nous définirons le Machine Learning et son lien avec la science des données et l'intelligence artificielle. Ensuite, nous démystifierons le jargon essentiel du Machine Learning et nous terminerons avec le déroulement de travail en Machine Learning pour construire des modèles.

Qu'est-ce que le Machine Learning ?

Générer des recommandations de films

IA, science des données et machine learning entrent dans un bar…

Qu'est-ce qui est vrai à propos du Machine Learning?

Concepts de Machine Learning

Le jargon du Machine Learning

Supervised vs unsupervised

Flux de travail en Machine Learning

Étapes pour construire un modèle

Une véritable étape

Qu'est-ce que le Machine Learning?

Maintenant que vous connaissez les bases du Machine Learning, allons un peu plus loin. À la fin de ce chapitre, vous connaîtrez les différents types de Machine Learning, ainsi que la façon d'évaluer et d'améliorer vos modèles.

Apprentissage supervisé

Échauffement

Tâches

Classification

Régression

Régression et classification

Apprentissage non supervisé

Supervisé

Non supervisé

Aucune supervision requise

Explorer les groupes

Évaluer la performance

Vrai

Faux

Vrai ou faux?

Pays de la confusion

Améliorer la performance

Options

Ajustement des hyperparamètres

Réduction de dimension

Méthodes d'ensemble

La route est longue jusqu'au sommet

Explorer l'ajustement des hyperparamètres

Modèles de Machine Learning

Dans ce chapitre, nous aborderons le Deep Learning en commençant par les réseaux neuronaux. Ensuite, nous examinerons de plus près deux cas d'utilisation courants du Deep Learning : la vision par ordinateur et le traitement du langage naturel. Nous conclurons le cours en discutant des limites et des dangers du Machine Learning.

Deep learning

Qu'est-ce que le deep learning ?

Devrais-je utiliser l'apprentissage profond?

Vision par ordinateur

Données d'image

Le processus

Traitement du langage naturel

Analyse de sentiment

Classer des tâches de Machine Learning

Sac de mots

Limites du Machine Learning

Boîte noire ou pas boîte noire ?

Déceler les biais dans la prédiction de défaut de paiement

Félicitations !

Deep Learning

Course Glossary: Understanding Machine Learning

Qu'y a-t-il derrière l'engouement pour le Machine Learning? Dans ce cours non technique, vous apprendrez tout ce que vous n'osiez pas demander sur le Machine Learning. Aucune programmation n'est requise. Des exercices pratiques vous aideront à dépasser le jargon et à comprendre comment cette technologie alimente tout, des voitures autonomes jusqu'aux suggestions de magasinage personnalisées sur Amazon.

Comment fonctionne le Machine Learning, quand l'utiliser et quelle est la différence entre l'IA et le Machine Learning? Tout est couvert. Développez des compétences dans ce domaine très en demande et influent, et découvrez pourquoi le Machine Learning est à la portée de tout le monde!

Les vidéos contiennent des transcriptions en direct, accessibles en cliquant sur « Show transcript » en bas à gauche des vidéos.

Le glossaire du cours se trouve à droite, dans la section des ressources.

Pour obtenir des crédits de FPV, vous devez terminer le cours et atteindre un score de 70 % à l'évaluation admissible. Vous pouvez accéder à l'évaluation en cliquant sur l'encadré des crédits de FPV à droite.

<h2>Obtenez une introduction aux concepts de l’apprentissage automatique</h2> 
Qu’est-ce qui se cache derrière l’engouement pour l'apprentissage automatique? Dans ce cours non technique, vous apprendrez tout ce que vous n’osiez pas demander sur l'apprentissage automatique. Aucun codage n’est nécessaire.
<br><br>
Vous explorerez des concepts de base, mais essentiels, pour amorcer votre parcours en apprentissage automatique, grâce à des exercices pratiques qui consolideront vos connaissances. Des exercices pratiques vous aideront à dépasser le jargon et à découvrir comment cette technologie passionnante permet de réaliser tout un tas de choses, allant des voitures autonomes à vos suggestions d’achat personnelles sur Amazon. 
<br><br>
<h2>Explorez les bases de l’apprentissage automatique</h2> 
Comment fonctionne l'apprentissage automatique, quand peut-on l’utiliser et quelle est la différence entre IA et apprentissage automatique? Ce cours couvre tous ces sujets.
<br><br>
Vous commencerez par démystifier ce qu’est l’apprentissage automatique, en explorant sa définition de base ainsi que son lien avec la science des données et l’intelligence artificielle. Puis, vous vous familiariserez avec son vocabulaire et terminerez par le workflow de l'apprentissage automatique pour la construction de modèles.
<br><br>
Nous concluons le cours en approfondissant l’apprentissage profond. Vous explorerez deux cas d’utilisation courants de l’apprentissage profond : la vision par ordinateur et le traitement du langage naturel (NLP), et vous prendrez conscience des limites et des dangers de l’apprentissage automatique.

Ce cours de deux heures sur l'apprentissage machine couvre les bases, vocabulaire et modèles ML.

Comprendre le Machine Learning

Introduction au machine learning sans codage.

Fondamentaux de l’IA

Comprendre les sujets liés aux données

Les matrices de confusion servent à évaluer la performance en classification.

Évaluer la performance d'un modèle d'apprentissage non supervisé est plus délicat et dépend de vos objectifs initiaux.

Un faux positif est une valeur prédite positive alors qu'elle est en réalité négative.

La justesse est toujours un indicateur pertinent et utile.

Un faux négatif est une valeur prédite positive alors qu'elle est en réalité négative.

Vrai ou faux?

Comprendre le Machine Learning

Exercice interactif pratique