Le premier type de tâche d'apprentissage automatique pour lequel vous construirez des modèles est la classification. La classification a de nombreuses applications dans de nombreux domaines différents, c'est donc un bon point de départ. Dans ce module, vous entraînerez des modèles de classification, les mettrez au point et les évaluerez dans le cadre d'un processus d'amélioration itératif.

La prochaine tâche importante d'apprentissage automatique que vous entreprendrez est la régression. Alors que la classification consiste à classer les choses dans des catégories, la régression consiste à estimer des nombres. Comme dans le module précédent, ce module vous permettra d'entraîner, de régler et d'évaluer les modèles qui effectuent la régression.

Vous avez construit des modèles d'apprentissage supervisé en utilisant la classification et la régression. Mais il est maintenant temps de travailler avec l'apprentissage non supervisé, lorsque les données étiquetées ne sont pas facilement disponibles. Dans ce module, vous allez mettre en œuvre l'apprentissage non supervisé sous la forme de modèles de regroupement, qui peuvent regrouper des observations partageant des caractéristiques communes. Comme précédemment, vous développerez ces modèles dans le cadre d'un processus de formation, de réglage et d'évaluation.

Vous avez développé des modèles de classification, de régression et de regroupement. Dans ce module, vous appliquerez ce que vous avez appris en travaillant dans le cadre d'un scénario pratique. En utilisant un notebook Jupyter, vous effectuerez des tâches d'apprentissage automatique. Vous avez le choix entre trois notebooks, chacun utilisant un type d'algorithme différent.