Dans ce module, nous nous concentrerons sur les défis réels rencontrés lors du prétraitement des données, tels que les compromis biais/variance, le nettoyage des données et la gestion des données manquantes ou déséquilibrées. Vous explorerez également des techniques clés telles que la validation croisée K-Fold, l'ingénierie des caractéristiques et la détection des valeurs aberrantes. Grâce à des activités pratiques, nous vous montrerons comment nettoyer, transformer et normaliser les données afin d'améliorer les performances de vos modèles d'apprentissage automatique.

Dans ce module, nous vous présenterons Apache Spark, un outil puissant pour le traitement des Big data et l'apprentissage automatique. Vous acquerrez une expérience pratique en installant Spark et en l'utilisant pour mettre en œuvre des modèles d'apprentissage automatique avec MLLib, notamment des arbres décisionnels, le clustering K-Moyennes et des techniques de recherche de texte. Nous explorerons également la nouvelle API DataFrame et démontrerons comment elle améliore votre capacité à travailler efficacement avec les big data.

Dans ce module, nous nous concentrerons sur l'application des techniques d'apprentissage automatique dans le monde réel, plus précisément à travers des méthodes de conception expérimentale comme le test A/B. Vous apprendrez à déployer des modèles d'apprentissage automatique dans des environnements de production et à mesurer le succès de vos expériences à l'aide d'outils statistiques tels que les T-Tests et les Valeurs P. Nous aborderons également les défis liés à l'exécution des expériences, y compris la compréhension de la durée des tests et l'évitement des erreurs courantes qui peuvent conduire à des conclusions erronées.

Dans ce module, nous plongerons profondément dans le monde des réseaux neurones et du Deep learning, couvrant tout, des principes de base et de l'histoire aux techniques avancées utilisées dans l'IA moderne. Vous obtiendrez une expérience pratique de la construction et de l'entraînement de réseaux neuronaux à l'aide de TensorFlow et Keras, notamment des CNN pour la reconnaissance d'images et des RNN pour l'analyse de séquences. En outre, nous explorerons les méthodes d'optimisation clés, l'apprentissage par transfert et discuterons des considérations éthiques entourant l'utilisation des technologies d'apprentissage profond.