Mis à jour en mai 2025.Ce cours intègre désormais Coursera Coach ! Une façon plus intelligente d'apprendre avec des conversations interactives en temps réel qui vous aident à tester vos connaissances, à remettre en question les hypothèses et à approfondir votre compréhension à mesure que vous progressez dans le cours.Dans ce cours, vous explorerez des algorithmes avancés d'apprentissage automatique et des techniques d'apprentissage non supervisé pour améliorer vos compétences en matière de construction de modèles. Vous apprendrez à améliorer les performances des modèles à l'aide de méthodes d'ensemble telles que la Forêts d'arbres, à appliquer les Machines à vecteurs supports (SVM) pour les tâches de classification complexes, et à réduire la dimensionnalité avec des techniques telles que l'Analyse en composantes principales (ACP). À la fin du cours, vous aurez également une compréhension de l'apprentissage non supervisé grâce au clustering K-Means et une introduction au Deep learning. Le cours commence par une introduction à l'apprentissage ensembliste à l'aide des Forêts d'arbres, où vous comprendrez comment cette méthode améliore la précision des modèles prédictifs et réduit l'overfitting. Vous plongerez ensuite dans les machines à vecteurs de support (SVM), apprenant à appliquer cette technique puissante pour résoudre des problèmes de classification complexes, y compris comment optimiser les modèles SVM pour de meilleures performances. Ensuite, vous explorerez l'analyse en composantes principales (ACP) pour réduire la dimensionnalité et optimiser les performances du modèle, ce qui vous permettra de travailler plus efficacement avec des ensembles de données de haute dimension. Vous découvrirez également le clustering K-Moyennes pour l'apprentissage non supervisé, en vous concentrant sur la façon de détecter des modèles et des anomalies dans les données non étiquetées. Enfin, le cours se termine par une introduction à l'apprentissage profond, en explorant comment ce domaine en pleine croissance s'appuie sur les concepts traditionnels de l'apprentissage automatique. Vous acquerrez une compréhension de la façon dont l'apprentissage profond peut être appliqué à une gamme de tâches complexes telles que la reconnaissance d'images et de la parole. Ce cours est idéal pour les apprenants ayant une expérience préalable de l'apprentissage automatique et de Python qui sont prêts à aborder des sujets plus avancés. Une connaissance des statistiques et de l'algèbre linéaire est utile.