Ce cours est consacré aux données et à leur importance pour le succès de votre modèle d'apprentissage automatique appliqué. En complétant ce cours, les apprenants auront les compétences pour : Comprendre les éléments critiques des données dans les phases d'apprentissage, de formation et d'exploitation Comprendre les biais et les sources de données Mettre en œuvre des techniques pour améliorer la généralité de votre modèle Expliquer les conséquences de l'overfitting et identifier les mesures d'atténuation Mettre en œuvre des mesures de test et de validation appropriées Démontrer comment la précision de votre modèle peut être améliorée avec une ingénierie de fonctionnalité réfléchie Explorer l'impact des paramètres de l'algorithme sur la force du modèle Pour réussir dans ce cours, vous devez avoir au moins des connaissances de niveau débutant dans la programmation Python (par exemple, être capable de lire et de tracer du code existant, être à l'aise avec les conditionnelles, les boucles, les variables, les listes, les dictionnaires et les tableaux). Vous devriez avoir une compréhension de base de l'algèbre linéaire (notation vectorielle) et des statistiques (distributions de probabilité et moyenne/médiane/mode). Il s'agit du troisième cours de la spécialisation Applied Machine Learning qui vous est offert par Coursera et l'Alberta Machine Intelligence Institute.