Mise 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 acquerrez une base solide en apprentissage automatique (ML) et en programmation Python, qui sont des compétences essentielles pour tout scientifique de données en herbe. À la fin du cours, vous aurez une compréhension approfondie des principes fondamentaux du ML, des techniques statistiques et de la façon d'utiliser Python pour l'analyse des données du monde réel et la construction de modèles. Vous serez en mesure d'appliquer ces concepts à un éventail d'industries et de problèmes axés sur les données.Le cours commence par une introduction aux concepts fondamentaux de ML. Vous explorerez la terminologie clé, les différents types d'algorithmes de ML et les cas d'utilisation du monde réel. Cette section prépare le terrain pour des sujets plus avancés en développant votre compréhension de la façon dont le ML peut être appliqué dans diverses industries. Vous apprendrez également à aborder et à résoudre des problèmes avec la ML, jetant ainsi les bases de votre parcours d'apprentissage à venir. Après l'introduction, le cours se penche sur les techniques statistiques essentielles, notamment les probabilités, les tests d'hypothèse et la compréhension des distributions de données. Ces concepts sont essentiels pour concevoir et interpréter les modèles ML avec précision. Vous apprendrez également à évaluer les performances des modèles à l'aide de ces techniques, ce qui vous aidera à construire des systèmes ML robustes et efficaces.Le cours fournit également un guide complet de la programmation Python. Vous maîtriserez des bibliothèques essentielles telles que NumPy et Pandas, qui sont des pivots pour la manipulation et l'analyse des données dans les tâches d'apprentissage automatique. En outre, vous travaillerez avec des Bloc-notes Jupyter pour pratiquer le codage, explorer les données et mettre en œuvre efficacement les algorithmes d'apprentissage automatique. Ce cours est idéal pour les débutants ou les professionnels en transition vers la science des données ; aucune expérience préalable n'est requise, bien qu'une familiarité de base avec la programmation soit utile.