Il existe de nombreux types d'algorithmes d'apprentissage automatique, chacun présentant certaines caractéristiques qui le rendent plus ou moins adapté à la résolution d'un problème particulier. Les arbres de décision et les machines à vecteurs de support (SVM) sont deux exemples d'algorithmes qui peuvent tous deux résoudre des problèmes de régression et de classification, mais qui ont des applications différentes. De même, une approche plus avancée de l'apprentissage automatique, appelée apprentissage profond, utilise des réseaux de neurones artificiels (ANN) pour résoudre ces types de problèmes et bien d'autres encore. Ajouter tous ces algorithmes à votre ensemble de compétences est crucial pour sélectionner le meilleur outil pour le travail. Ce quatrième et dernier cours au sein du certificat professionnel Certified Artificial Intelligence Practitioner (CAIP) continue sur la lancée du cours précédent en présentant plus, et dans certains cas, des algorithmes plus avancés utilisés à la fois dans l'apprentissage automatique et l'apprentissage profond. Comme précédemment, vous construirez plusieurs modèles qui peuvent résoudre des problèmes commerciaux, et vous le ferez dans le cadre d'un flux de travail. En fin de compte, ce cours conclut l'exploration technique des différents algorithmes d'apprentissage automatique et la façon dont ils peuvent être utilisés pour construire des modèles de résolution de problèmes.