Le modèle simple que vous avez créé précédemment fonctionne bien dans de nombreux cas, mais cela ne signifie pas qu'il s'agit de l'approche optimale. La régression linéaire peut être améliorée par le processus de régularisation, qui améliorera souvent les compétences de votre modèle d'apprentissage automatique. En outre, une approche itérative de la régression peut prendre le relais lorsque la solution de forme fermée n'est pas satisfaisante. Dans ce module, vous appliquerez ces deux techniques.

Outre la régression linéaire, l'autre grand type de résultat de l'apprentissage automatique supervisé est la classification. Pour commencer, vous formerez des modèles de classification binaire à l'aide de différents algorithmes. Ensuite, vous formerez un modèle pour traiter les cas où il existe plusieurs façons de classer un exemple de données. Chaque algorithme peut être idéal pour résoudre un certain type de problème de classification, c'est pourquoi vous devez connaître leurs différences.

Il ne suffit pas de former un modèle que vous pensez être le meilleur, puis de s'arrêter là. À moins que vous n'utilisiez un ensemble de données très simple ou que vous ayez de la chance, les paramètres par défaut ne vous donneront pas le meilleur modèle possible pour résoudre le problème. Dans ce module, vous évaluerez donc vos modèles de classification afin de déterminer leurs performances, puis vous tenterez d'améliorer leurs compétences.

Vous avez construit des modèles pour résoudre les problèmes de régression linéaire et de classification. L'une des autres tâches majeures de l'apprentissage automatique que vous pourriez vouloir entreprendre est le clustering, une forme d'apprentissage non supervisé. Dans ce module, vous verrez comment un modèle d'apprentissage automatique peut vous aider à identifier des modèles utiles même lorsque les données avec lesquelles vous devez travailler ne sont pas étiquetées.

Vous travaillerez sur un projet dans lequel vous appliquerez vos connaissances de la matière de ce cours à des scénarios pratiques.