Course Description

Améliorez votre compréhension de l’apprentissage machine. Explorez les techniques avancées et comment les utiliser dans vos projets de science des données.

Découvrir et appliquer des techniques avancées d’apprentissage automatique statistique

Ce cours en ligne explore l’apprentissage automatique statistique avancé.

Vous découvrirez où les techniques d’apprentissage machine sont utilisées dans le flux de travail du projet de science des données. Vous examinerez ensuite en détail les algorithmes de modélisation statistique de l’apprentissage supervisé pour les problèmes de classification et de régression, en examinant comment ces algorithmes sont liés et comment les modèles générés par ces algorithmes peuvent être ajustés et évalués.

Vous vous pencherez également sur l’ingénierie des fonctionnalités et sur la manière d’analyser la suffisance des données.

Quels sujets aborderez-vous ?

• Théorie de l’apprentissage automatique statistique
• Analyse et évaluation des modèles statistiques
• Analyse des données
• Apprentissage supervisé – Réseaux neuronaux artificiels
• Apprentissage supervisé – Méthodes du noyau
• Apprentissage non supervisé – Regroupement
• Apprentissage non supervisé – Modélisation thématique
• Ingénierie des caractéristiques
• Données manquantes
• Apprentissage de base du renforcement des capacités
• Apprentissage de base semi-surveillé

Qu’allez-vous en retirer ?

À la fin du cours, vous serez en mesure de….

• Expliquer les étapes d’un problème typique en science des données et exécuter les étapes identifiées comme relevant de la responsabilité d’un spécialiste en apprentissage machine.
• Effectuer une série d’étapes de prétraitement, y compris l’ingénierie des fonctionnalités et la gestion des données manquantes, et expliquer l’utilité et l’importance de ces méthodes.
• Appliquer une gamme de techniques avancées d’apprentissage machine dans tous les principaux domaines de l’apprentissage machine (apprentissage supervisé, non supervisé, semi-supervisé et renforcement), y compris le réglage et la régularisation de ces modèles.
• Expliquer le fonctionnement de ces techniques, y compris la relation entre les méthodes plus avancées et les méthodes plus simples sur lesquelles elles s’appuient.
• Évaluer rigoureusement la performance des modèles statistiques et justifier le choix des modèles particuliers à utiliser.
• Évaluer rigoureusement la suffisance et la pertinence des données pour une tâche de modélisation donnée.

A qui s’adresse le cours ?

Il s’agit d’un cours avancé et une certaine expérience de l’apprentissage machine, de la science des données ou de la modélisation statistique est attendue. Des liens seront fournis vers des ressources de base sur les connaissances supposées.