Dans ce module, vous apprendrez à analyser les distributions de données, à détecter les modèles et à identifier les anomalies à l'aide de méthodes statistiques et visuelles. Grâce à des exercices pratiques, vous appliquerez des techniques de sélection et d'ingénierie des caractéristiques pour améliorer les performances des modèles, et apprendrez à gérer les déséquilibres de données en utilisant des techniques telles que le sur-échantillonnage, le sous-échantillonnage et le SMOTE.

Ce module se concentre sur la sélection de modèles appropriés en fonction des caractéristiques des données et des exigences du projet. Vous mettrez en œuvre plusieurs modèles, en comparant les approches classiques de ML, de Deep learning et d'IA générative. Grâce à des exercices pratiques, vous apprendrez à sélectionner et à mettre en œuvre les modèles qui correspondent le mieux à votre cas d'utilisation, et à utiliser des techniques d'ensemble pour améliorer les performances des modèles.

Dans ce module, vous apprendrez à évaluer les modèles en utilisant des métriques appropriées pour différents types de tâches de ML. Vous maîtriserez l'interprétation des modèles en utilisant des méthodes d'importance des caractéristiques et vous aborderez les considérations d'équité et de biais. Le module met l'accent sur des approches pratiques pour garantir la fiabilité des modèles et une mise en œuvre éthique.

Le dernier module couvre les aspects pratiques du déploiement et de la maintenance des modèles de ML. Vous comprendrez les différentes stratégies de déploiement et apprendrez à surveiller les modèles pour détecter les dérives et les baisses de performance. Tout en mettant l'accent sur la compréhension conceptuelle plutôt que sur la mise en œuvre technique approfondie, vous apprendrez quand et comment les modèles doivent être réentraînés et maintenus dans les environnements de production.