Dans ce module, vous poursuivrez le travail que nous avons commencé dans le dernier module avec les régressions linéaires. Vous en apprendrez davantage sur la manière d'évaluer ces modèles et de sélectionner les caractéristiques importantes et d'exclure celles qui ne sont pas statistiquement significatives. Vous découvrirez également l'estimation du maximum de vraisemblance, une approche probabiliste de l'estimation de vos modèles.

Ce module vous présente les fonctions de base et les expansions polynomiales en particulier, ce qui vous permettra d'utiliser les mêmes techniques de régression linéaire que nous avons étudiées jusqu'à présent pour modéliser des relations non linéaires. Ensuite, nous découvrons le compromis biais-variance, une relation clé dans l'apprentissage automatique. Des méthodes telles que l'expansion polynomiale peuvent vous aider à former des modèles qui capturent assez bien la relation dans vos données d'apprentissage, mais ces mêmes modèles peuvent donner de mauvais résultats sur de nouvelles données. Vous découvrirez différentes méthodes de régularisation qui permettent d'équilibrer ce compromis et de créer des modèles qui évitent l'ajustement excessif.

Dans ce module, vous en apprendrez d'abord davantage sur l'évaluation et le réglage de vos modèles. Nous examinons les techniques de validation croisée qui vous aideront à obtenir des mesures plus précises des performances de votre modèle, puis vous verrez comment les utiliser avec les pipelines et GridSearch pour ajuster vos modèles. Enfin, nous examinerons la théorie et la pratique de notre première technique de classification, la régression logistique.

Dans ce module, vous découvrirez deux autres techniques de classification : tout d'abord, les machines à vecteurs de support (SVM) et ensuite Naive Bayes, une approche rapide et très interprétable qui utilise le théorème de Bayes.

Dans ce module, vous découvrirez tout d'abord la classification à l'aide d'arbres de décision. Nous verrons comment créer des modèles qui utilisent des arbres de décision individuels, puis des modèles d'ensemble, qui utilisent de nombreux arbres, tels que le bagging, le boosting et les forêts aléatoires. Ensuite, nous verrons comment évaluer les performances des classificateurs.

Jusqu'à présent, nous nous sommes concentrés sur l'apprentissage supervisé et la formation de modèles qui estiment une variable cible que vous avez spécifiée. Dans ce module, nous jetons un premier coup d'œil à l'apprentissage non supervisé, un domaine de l'apprentissage automatique qui utilise des techniques pour trouver des modèles et des relations dans les données sans que vous n'ayez jamais défini de cible. En particulier, nous examinons une variété de techniques de regroupement, en commençant par les k-moyennes et le regroupement hiérarchique, puis le regroupement basé sur la distribution et la densité.

Vous étudierez deux nouvelles techniques dans ce module. La première est l'analyse en composantes principales, une technique puissante de réduction de la dimensionnalité que vous pouvez utiliser pour projeter des caractéristiques de haute dimension dans des espaces de dimension inférieure. Cette technique peut être utilisée à diverses fins, notamment pour la sélection des caractéristiques, la prévention de l'ajustement excessif, la visualisation dans des espaces bidimensionnels ou tridimensionnels de données de plus grande dimension, etc. Ensuite, vous étudierez les modèles de Markov cachés, une technique que vous pouvez utiliser pour modéliser des séquences d'états, où chaque état dépend de celui qui le précède.

Ce module vous présente l'un des sujets les plus en vogue dans le domaine de l'apprentissage automatique, l'apprentissage profond avec les réseaux neuronaux feed-forward et les réseaux neuronaux convolutifs. Vous apprendrez comment ces techniques fonctionnent et où elles peuvent être très efficaces - ou très inefficaces. Nous étudierons comment concevoir, mettre en œuvre et évaluer de tels modèles à l'aide de Python et de Keras.