Ce module vise à guider les apprenants à travers le flux de travail complet de la construction de leur premier modèle d'apprentissage automatique. Les apprenants se plongeront dans la préparation des données, l'analyse exploratoire des données (EDA) et les techniques d'ingénierie des caractéristiques. Ils apprendront à construire un modèle K-Nearest Neighbors (KNN), à comprendre l'évaluation des modèles et à explorer les considérations cruciales pour le déploiement d'un modèle d'apprentissage automatique dans des applications du monde réel.

Dans ce module, les apprenants se plongeront dans les subtilités des modèles de prédiction. Ils exploreront les mesures d'évaluation pour les modèles de régression et de classification, en acquérant une expérience pratique avec des implémentations concrètes. Le module couvrira également les techniques de division des données et les performances de référence, fournissant aux apprenants une compréhension complète de la façon d'évaluer efficacement les modèles de prédiction.

Dans ce module, les apprenants se lanceront dans une exploration complète des techniques de régression. De la compréhension des principes de la régression linéaire et logistique à leur application pratique, ils obtiendront des informations précieuses sur la modélisation prédictive. En se concentrant sur des scénarios du monde réel, ils apprendront à faire des prédictions, à interpréter les résultats et à optimiser les modèles.

Dans ce module, les apprenants navigueront sur les chemins complexes des arbres de décision. Les arbres de décision offrent une approche transparente mais puissante des tâches de classification et de régression. Les apprenants se plongeront dans les mécanismes de construction des arbres de décision, apprendront à gérer le surajustement grâce à l'élagage et à la régularisation, et découvriront l'art d'affiner les arbres de décision pour obtenir des résultats optimaux.

Dans ce module, les apprenants perceront les mystères de l'apprentissage automatique non supervisé en se plongeant dans les techniques de clustering. Ils découvriront la puissance de KMeans et de Density-Based Spatial Clustering of Applications with Noise (DBSCAN) pour regrouper des points de données similaires. Ils exploreront également comment l'apprentissage non supervisé révolutionne l'exploration des données, la segmentation de la clientèle et la détection des anomalies.