Cette évaluation est un quiz gradué basé sur les modules couverts cette semaine.

Dans ce module, vous découvrirez l'origine et l'évolution de l'apprentissage automatique. Vous apprendrez également les différentes façons dont une machine peut apprendre, et les composants essentiels nécessaires au développement d'un modèle d'apprentissage automatique. Vous aurez un aperçu des différents types d'algorithmes que vous pouvez utiliser pour former des modèles d'apprentissage automatique pour des problèmes professionnels spécifiques. La nature et le type de données nécessaires à l'entraînement de ces algorithmes seront également abordés. Le module aborde également les différentes pratiques exemplaires et défis du monde réel et de l'entreprise auxquels il faudra être sensible lors du déploiement de l'apprentissage automatique pour soutenir les opérations de l'entreprise.

Dans ce module, vous réexaminerez plusieurs modèles d'apprentissage automatique. Nous discuterons des tâches pratiques auxquelles l'apprentissage automatique est couramment appliqué, et vous apprendrez à mesurer les performances des systèmes d'apprentissage automatique. Nous travaillerons avec une bibliothèque populaire pour le langage de programmation Python appelée Scikit-learn, qui a assemblé des implémentations de pointe de nombreux algorithmes d'apprentissage automatique.

Cette évaluation est un quiz gradué basé sur les modules couverts cette semaine.

Dans ce module, vous découvrirez les réseaux de neurones artificiels (ANN) et leur rôle dans l'apprentissage automatique. Vous découvrirez également le perceptron, la première application du monde réel basée sur les réseaux neurones. Les concepts de poids, de biais et de fonctions d'activation, ainsi que leur rôle dans l'analyse des données et l'entraînement des réseaux neuronaux artificiels, seront abordés. Nous verrons également comment des concepts tels que la rétropropagation et la Descente de gradient affectent le processus d'apprentissage avec les neurones artificiels (ANN).

Dans ce module, vous apprendrez à utiliser la technique des réseaux neurones pour des tâches prédictives. Vous apprendrez également à utiliser la bibliothèque d'apprentissage machine Open Source Python TensorFlow pour mettre en œuvre des modèles de régression et de classification afin de tirer des enseignements des données textuelles structurées et non structurées. Le module aborde également les méthodes de réglage des hyperparamètres pour améliorer les performances. Enfin, ce module vous aidera à définir les modèles de Deep learning et à examiner le problème de l'overfitting et à étudier les moyens de l'identifier et de le surmonter.

Cette évaluation est un quiz noté basé sur le module couvert cette semaine.

Dans ce module, vous serez initié au concept d'intégration de mots et d'images qui transforme les applications de traitement du langage naturel (NLP) et d'images. Vous apprendrez à générer des encastrements de mots en utilisant un corpus de texte et à utiliser des encastrements de mots pré-entraînés comme Glove et Fasttext. Ce module aborde également les réseaux neuronaux convolutifs et les modèles basés sur les vecteurs d'images pour les tâches de classification d'images.

Cette évaluation est un quiz gradué basé sur les modules couverts cette semaine.

Ce module décrit les objectifs d'apprentissage et les instructions de soumission pour le devoir de fin d'études du cours.