Dans ce module, nous aborderons les étapes clés du processus de construction de modèles d'apprentissage automatique. Nous découvrirons les sources de complexité des modèles et l'impact de la complexité sur les performances d'un modèle. Nous terminerons par une discussion sur les stratégies permettant de comparer différents modèles afin de sélectionner le modèle optimal pour la production.

Dans ce module, nous apprendrons à définir des indicateurs de résultats et de production appropriés pour les projets d'intelligence artificielle. Nous discuterons ensuite des mesures clés pour évaluer les modèles de régression et de classification et comment en sélectionner un pour l'utiliser. Nous terminerons par une discussion sur les sources d'erreur courantes dans les projets d'apprentissage automatique et sur la manière de résoudre les problèmes de performance.

Dans ce module, nous allons explorer l'utilisation des modèles linéaires pour la régression et la classification. Nous commencerons par introduire la régression linéaire et poursuivrons par une discussion sur la manière d'améliorer le fonctionnement de la régression linéaire grâce à la régularisation. Nous passerons ensuite à la classification et présenterons le modèle de régression logistique pour les problèmes de classification binaire et multi-classes.

Nous commencerons ce modèle par une discussion sur les modèles arborescents et leur valeur dans la modélisation de problèmes non linéaires complexes. Nous introduirons ensuite la méthode de création de modèles d'ensemble et leurs avantages. Nous terminerons ce module en passant à l'apprentissage non supervisé et en discutant du clustering et de l'approche populaire du clustering K-Means.

Le dernier module de ce cours se concentrera sur un domaine brûlant de l'apprentissage automatique appelé apprentissage profond, ou l'utilisation de réseaux neuronaux multicouches. Nous développerons une compréhension de l'intuition et des principes mathématiques clés qui sous-tendent le fonctionnement des réseaux neuronaux. Nous discuterons ensuite des applications courantes de l'apprentissage profond dans les domaines de la vision artificielle et du traitement du langage naturel. Nous terminerons le cours par notre projet de cours, où vous aurez l'occasion d'appliquer le processus de modélisation et les meilleures pratiques que vous avez apprises pour créer votre propre modèle d'apprentissage automatique.