Cette semaine, vous allez construire votre première application intelligente qui fait des prédictions à partir de données.</p> <p>Nous allons explorer cette idée dans le contexte de notre première étude de cas, la prédiction des prix de l'immobilier, où vous allez créer des modèles qui prédisent une valeur continue (le prix) à partir de caractéristiques d'entrée (superficie, nombre de chambres et de salles de bains,...). <D'autres applications vont de la prédiction des résultats de santé en médecine, du cours des actions en finance, de l'utilisation de la puissance dans le calcul à haute performance, à l'analyse des régulateurs qui sont importants pour l'expression des gènes.</p>Vous examinerez également comment analyser la performance de votre modèle prédictif et mettre en œuvre la régression en pratique à l'aide d'un carnet de notes Jupyter.

Dans notre deuxième étude de cas, l'analyse des sentiments, vous créerez des modèles qui prédisent une classe (sentiment positif/négatif) à partir de caractéristiques d'entrée (texte des commentaires, informations sur le profil de l'utilisateur,...).Cette tâche est un exemple de classification, l'un des domaines les plus utilisés de l'apprentissage automatique, avec un large éventail d'applications, y compris le ciblage publicitaire, la détection de spam, le diagnostic médical et la classification d'images.</p>Vous analyserez la précision de votre classificateur, mettrez en œuvre un classificateur réel dans un carnet Jupyter, et prendrez un premier coup sur une pièce maîtresse de l'application intelligente que vous allez construire et déployer dans votre capstone.

Un lecteur s'intéresse à un article spécifique et vous souhaitez trouver des articles similaires à lui recommander. Quelle est la bonne notion de similarité ? Comment effectuer une recherche automatique parmi les documents pour trouver celui qui est le plus similaire ? Dans cette troisième étude de cas, qui porte sur la récupération de documents, vous examinerez diverses représentations de documents et un algorithme permettant de récupérer le sous-ensemble le plus similaire. Vous examinerez également des représentations structurées des documents qui regroupent automatiquement les articles par similarité (par exemple, le sujet du document).</p>Vous construirez un système intelligent de recherche de documents pour les entrées de Wikipédia dans un carnet Jupyter.

Vous êtes-vous déjà demandé comment Amazon formule ses recommandations de produits personnalisées ? Comment Netflix suggère des films à regarder ? Comment Pandora sélectionne la prochaine chanson à diffuser ? Comment Facebook ou LinkedIn trouve des personnes avec lesquelles vous pourriez être en contact ? Toutes ces technologies de personnalisation du contenu reposent sur ce que l'on appelle le filtrage collaboratif. vous apprendrez à construire un tel système de recommandation à l'aide d'une variété de techniques, et explorerez leurs compromis.</p> <p>L'une des méthodes examinées est la factorisation matricielle, qui apprend les caractéristiques des utilisateurs et des produits pour former des recommandations. Dans un carnet Jupyter, vous utiliserez ces techniques pour construire un véritable système de recommandation de chansons.

Vous avez probablement entendu dire que l'apprentissage profond (Deep Learning) est l'une des techniques les plus prometteuses dans le domaine de l'apprentissage automatique et qu'elle fait parler d'elle dans le monde entier. Dans notre dernière étude de cas, la recherche d'images, vous apprendrez comment les couches de réseaux neuronaux fournissent des caractéristiques très descriptives (non linéaires) qui offrent des performances impressionnantes dans les tâches de classification et de recherche d'images. Vous construirez ensuite des caractéristiques profondes, une technique d'apprentissage par transfert qui vous permet d'utiliser l'apprentissage profond très facilement, même lorsque vous avez peu de données pour entraîner le modèle.</p> <p>En utilisant les carnets iPhython, vous construirez un classificateur d'images et un système intelligent de recherche d'images avec l'apprentissage profond.

Dans la conclusion du cours, nous décrirons l'étape finale de la transformation de nos outils d'apprentissage automatique en un service : le déploiement.</p> <p>Nous discuterons également de certains défis ouverts auxquels le domaine de l'apprentissage automatique est encore confronté, et de ce que nous pensons être l'avenir de l'apprentissage automatique. Nous concluons avec un aperçu de ce qui vous attend dans le reste de la spécialisation, et les applications intelligentes étonnantes qui nous attendent à mesure que nous faisons évoluer l'apprentissage automatique.