Dans ce chapitre, nous définirons le Machine Learning et son lien avec la data science et l'intelligence artificielle. Ensuite, nous clarifierons le jargon essentiel du Machine Learning et nous terminerons par le workflow de Machine Learning pour construire des modèles.

Qu’est-ce que le machine learning ?

Générer des recommandations de films

L’IA, la science des données et le machine learning entrent dans un bar…

Lesquels de ces énoncés concernant le machine learning sont vrais ?

Concepts du machine learning

Le jargon du machine learning

Apprentissage supervisé vs non supervisé

Workflow du machine learning

Étapes de la construction d’un modèle

Une vraie 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 avec classe

Apprentissage non supervisé

Supervisé

Non supervisé

Nous n’avons pas besoin de supervision

Explorer des clusters

Évaluation des performances

Vrai

Faux

Vrai ou faux ?

Terre de confusion

Amélioration des performances

Options

Réglage des hyperparamètres

Réduction de la dimensionnalité

Méthodes d’ensemble

Le chemin est long jusqu’au sommet

Explorez l'ajustement des hyperparamètres

Modèles de Machine Learning

Dans ce chapitre, nous aborderons le Deep Learning en commençant par les réseaux de neurones. Puis, nous examinerons de plus près deux cas d'usage 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 ?

Dois-je utiliser le deep learning ?

Vision par ordinateur

Données d’image

Le processus

Traitement du langage naturel

Analyse de sentiments

Classification des tâches de machine learning

Sac de mots

Limites du machine learning

Boîte noire ou pas boîte noire ?

Repérer les biais dans la prédiction de défaut de prêt

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'avez jamais osé demander sur le Machine Learning. Aucun code n'est requis. Des exercices pratiques vous aideront à dépasser le jargon et à comprendre comment cette technologie alimente tout, des voitures autonomes à vos recommandations d'achats 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. Acquérez des compétences dans ce domaine à la fois très recherché et influent, et découvrez pourquoi le Machine Learning est à la portée de tous !

Les vidéos contiennent des transcriptions synchronisées, accessibles en cliquant sur "Show transcript" en bas à gauche des vidéos.

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

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

<h2>Introduction aux concepts du machine learning</h2> 
Qu'est-ce qui se cache 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. Aucun codage n'est nécessaire.
<br><br>
Vous explorerez des concepts basiques mais essentiels pour commencer votre parcours en machine learning, et résoudrez des exercices pratiques pour consolider vos connaissances. Il s'agit notamment de comprendre au-delà du jargon et d'apprendre comment cette technologie passionnante permet des technologies allant des voitures autonomes à vos suggestions d'achat personnelles sur Amazon. 
<br><br>
<h2>Découvrez les bases de lu machine learning</h2> 
Comment fonctionne le machine learning, quand pouvez-vous l'utiliser et quelle est la différence entre l'IA et le machine learning ? Ce cours traite de tous ces sujets.
<br><br>
Vous commencerez par aborder ce qu'est le machine learning, en explorant sa définition de base et sa relation avec la science des données et l'intelligence artificielle. Vous vous familiariserez ensuite avec son vocabulaire et terminerez par le workflow du machine learning pour la construction de modèles.
<br><br>
Nous terminerons le cours en approfondissant le deep learning. Vous explorerez deux cas d'utilisation courants du deep learning : la vision par ordinateur et le traitement du langage naturel (NLP), et apprendrez à reconnaître les limites et les dangers du machine learning.

Ce cours de deux heures sur l'apprentissage automatique couvre les concepts essentiels et le deep learning.

Comprendre le Machine Learning

Une introduction au machine learning sans codage.

Principes fondamentaux de l'IA

Comprendre les thèmes des données

Lors de l’entraînement d’un arbre de décision, modifier le nombre minimum d’observations déterminant ce qui constitue une branche.

Écrire un script pour essayer trois valeurs différentes de trois hyperparamètres de votre SVM, et conserver la configuration qui donne les meilleurs résultats.

Sur un ensemble de données de séances de course à pied pour évaluer la longévité d’un tapis roulant, avec la durée, la vitesse, l’inclinaison, supprimer la colonne « calories_burned ». (calories brûlées)

Effectuer une analyse pour identifier les quatre caractéristiques principales qui donnent les meilleures prédictions, et éliminer les autres.

Utiliser la prédiction la plus courante d'un modèle SVM, d'un modèle K-Means et d'un modèle d'arbre de décision pour attribuer une catégorie à une observation.

Utiliser la prédiction moyenne d’un modèle de régression linéaire, d’un modèle K-Means (K-moyennes) et d’un modèle d’arbre de décision pour attribuer une catégorie à une observation.

Le chemin est long jusqu’au sommet

Exercice interactif pratique