Vous pouvez améliorer l'apprentissage supervisé en utilisant plusieurs classificateurs faibles qui travaillent sur des sous-ensembles de caractéristiques avec une capacité d'apprentissage limitée. En tirant parti de leur nombre et du vote majoritaire, les classificateurs d'ensemble sont toujours plus performants et plus robustes que les classificateurs individuels complexes. La Forêts d'arbres décisionnels, considérée comme l'un des premiers classificateurs d'ensemble, repose sur des classificateurs d'arbres décisionnels faibles. Par conséquent, les classificateurs d'arbres décisionnels et leurs visualisations seront présentés dans ce module. En outre, vous verrez comment l'utilisation de nombreux classificateurs faibles avec des ensembles de caractéristiques réduits de l'ensemble de données peut permettre d'obtenir des performances de vote combinées qui surpassent celles des classificateurs individuels

Certains problèmes que vous rencontrerez exigeront des prédictions numériques précises, telles que la prévision du taux d'apparition de la grippe saisonnière ou la prévision de l'indice boursier de la semaine prochaine. Pour de tels scénarios, les techniques de régression s'avèrent inestimables. Tout au long de ce module, vous explorerez les différents types de régression, résoudrez les équations de régression linéaire de manière analytique, définirez les fonctions de coût et comprendrez les situations dans lesquelles la régression linéaire peut échouer. En outre, vous apprendrez à coder des régressions quadratiques et logistiques à partir de zéro, en utilisant des caractéristiques polynomiales et des optimiseurs de science-fiction. La régression logistique, une méthode de classification largement utilisée, adapte les données à une courbe logistique basée sur les caractéristiques de l'ensemble des données. Vous appliquerez la régression logistique pour développer un modèle prédictif de la récurrence du cancer à l'aide des données de diagnostic des patients.

Dans ce module, vous explorerez l'apprentissage non supervisé, qui constitue le pendant de l'apprentissage supervisé. L'apprentissage non supervisé vise à construire la distribution de probabilité sous-jacente d'un ensemble de données sur la base de ses caractéristiques en tant que variables aléatoires, ce qui lui permet d'identifier les valeurs aberrantes et les centroïdes des densités. Vous commencerez par comprendre les métriques de distance et de similarité qui sont essentielles pour les algorithmes de regroupement. Des algorithmes populaires tels que K-moyennes, DBSCAN, le clustering hiérarchique et EM seront brièvement présentés. Vous découvrirez également les indicateurs qui permettent d'évaluer la qualité des clusters, ainsi que les visualisations en 3D et les dendrogrammes. À l'aide d'un ensemble de données artificielles similaire à celui utilisé dans l'Apprentissage supervisé, vous appliquerez les techniques de clustering. En outre, vous verrez le regroupement en action sur le célèbre jeu de données de l'iris, en employant divers algorithmes. Enfin, vous découvrirez comment la méthode du coude permet de déterminer le nombre optimal de grappes.

Dans ce module, vous explorerez l'Apprentissage par renforcement, complétant le trio des principales stratégies d'apprentissage aux côtés des méthodes supervisées et non supervisées. À l'instar de la manière dont les humains apprennent à naviguer dans leur environnement, l'apprentissage par renforcement fonctionne dans des scénarios où la vérité de terrain est absente ou peu pratique, en s'appuyant plutôt sur les interactions avec l'environnement. Vous découvrirez comment les directives sont apprises par le biais de récompenses et de pénalités afin de maximiser les avantages ou de minimiser les coûts. L'apprentissage par renforcement est largement utilisé pour apprendre aux ordinateurs à jouer à des jeux de société complexes tels que le backgammon ou les échecs. Le triomphe d'AlphaGo sur le champion du monde de go illustre ses capacités à faire progresser l'IA. Vous découvrirez le modèle de renforcement, la terminologie et des problèmes typiques tels que le morpion et la commande d'ascenseur. Les techniques de développement d'un modèle mathématique tel que l'apprentissage Q, basé sur les états et les actions, seront explorées, avec en point d'orgue une mise en œuvre pratique pour maîtriser un jeu choisi.