Explorez les techniques essentielles dans l'analyse des caractéristiques des données et l'évaluation des modèles critiques pour des applications d'apprentissage automatique efficaces. Apprenez à identifier, prétraiter et intégrer des ensembles de données provenant de diverses sources telles que UCI KDD et Kaggle. Acquérir une expérience pratique avec le cadre Weka pour le prétraitement et la classification des données, et comprendre les mesures d'évaluation, y compris les courbes de Receiver Operating Characteristic. À la fin de ce module, vous comprendrez les nuances du surajustement des modèles et les stratégies d'optimisation des performances des modèles.

Maîtrisez les techniques essentielles de prétraitement des données pour améliorer les performances des modèles d'apprentissage automatique. Ce module couvre les aspects fondamentaux du nettoyage des données, les différents formats de données et les méthodes de traitement. Vous approfondirez des sujets avancés tels que la discrétisation, la transformation des données et les techniques de réduction. À la fin de ce module, vous serez capable d'Ingénierie des caractéristiques des données, d'appliquer la Sélection des caractéristiques et d'affiner les ensembles de données pour des résultats optimaux d'Apprentissage Automatique.

Plongez dans les principes de base et les fondements mathématiques des algorithmes d'Apprentissage supervisé. Ce module couvre les techniques essentielles, notamment l'algorithme Perceptron, la Classification naïve bayésienne et les méthodes de Régression linéaire. Vous acquerrez une expérience pratique de la mise en œuvre et de la visualisation de ces algorithmes, et explorerez la manière dont les limites de décision des classificateurs évoluent en fonction des changements de paramètres. En outre, vous apprendrez à appliquer la classification de texte en utilisant des ensembles de données du monde réel pour une compréhension pratique des applications de l'apprentissage supervisé