In this chapter,  we'll define machine learning and its relation to data science and artificial intelligence.  Then, we'll unpack important machine learning jargon and end with the machine learning workflow for building models.

What is machine learning?

Generating movie recommendations

AI, data science, and machine learning walk into a bar...

What's true about machine learning?

Machine learning concepts

Machine learning lingo

Supervised vs unsupervised

Machine learning workflow

Steps for building a model

A true step

What is Machine Learning?

Now that you know the basics of machine learning, let's dive a little bit deeper. At the end of this chapter, you will know the different types of machine learning, as well as how to evaluate and improve your models.

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

Machine Learning Models

In this chapter, we'll unpack deep learning beginning with neural networks. Next, we'll take a closer look at two common use-cases for deep learning: computer vision and natural language processing. We'll wrap up the course discussing the limits and dangers of machine learning.

Deep learning

What is deep learning?

Should I use deep learning?

Computer vision

Image data

The process

Natural Language Processing

Sentiment analysis

Classifying machine learning tasks

Bag of words

Limits of machine learning

To black box or not to black box?

Spotting bias in loan default prediction

Congratulations!

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

Sur la base des informations relatives au client (date d’inscription, fréquence des commandes, âge, état civil), prévoir le montant de ses dépenses annuelles.

Sur la base des caractéristiques de l’e-mail (expéditeur, sujet, proportion de lettres majuscules, proportion de termes liés à l’argent), prédire si un e-mail est indésirable ou non.

Sur la base des informations relatives à l’action (valeur d’ouverture, valeur la plus élevée, valeur la plus basse, valeur de clôture pour chaque jour), prédire sa valeur future.

Sur la base des informations relatives aux clients (date d’inscription, fréquence des commandes, âge, état civil, pouvoir d’achat), identifier des segments de clientèle.

Sur la base de l’historique d’achat du client, déterminer les articles qui sont susceptibles de l’intéresser ensuite.

Sur la base des informations des e-mails (expéditeur, sujet abordé…), trouver des groupes d’e-mails par thème.

Nous n’avons pas besoin de supervision

Exercice interactif pratique