Dans la plupart des cas, le but ultime d'un projet d'apprentissage automatique est de produire un modèle. Les modèles prennent des décisions, font des prédictions - tout ce qui peut aider l'entreprise à se comprendre, à comprendre ses clients et son environnement mieux qu'un humain ne pourrait le faire. Les modèles sont construits à l'aide d'algorithmes et, dans le monde de l'apprentissage automatique, il existe de nombreux algorithmes différents. Vous devez savoir comment sélectionner le meilleur algorithme pour une tâche donnée et comment utiliser cet algorithme pour produire un modèle fonctionnel qui apporte de la valeur à l'entreprise. Ce troisième cours du certificat professionnel Certified Artificial Intelligence Practitioner (CAIP) vous présente quelques-uns des principaux algorithmes d'apprentissage automatique utilisés pour résoudre les deux problèmes supervisés les plus courants : la régression et la classification, ainsi que l'un des problèmes non supervisés les plus courants : le clustering. Vous construirez plusieurs modèles pour résoudre chacun de ces problèmes en utilisant le flux de travail d'apprentissage automatique que vous avez appris dans le cours précédent. En fin de compte, ce cours commence une exploration technique des différents algorithmes d'apprentissage automatique et de la façon dont ils peuvent être utilisés pour construire des modèles de résolution de problèmes.
Construire des modèles de régression, de classification et de regroupement
Ce cours fait partie de CertNexus Certified Artificial Intelligence Practitioner (Praticien certifié en intelligence artificielle) Certificat Professionnel
Instructeur : Anastas Stoyanovsky
2 824 déjà inscrits
Inclus avec
(16 avis)
Expérience recommandée
Ce que vous apprendrez
Former et évaluer des modèles de régression linéaire.
Entraînez des modèles de classification binaires et multi-classes.
Évaluer et ajuster les modèles de classification afin d'en améliorer les performances.
Former et évaluer des modèles de regroupement pour trouver des modèles utiles dans des données non supervisées.
Compétences que vous acquerrez
- Catégorie : Régression linéaire
- Catégorie : Algorithmes d'apprentissage automatique (ML)
- Catégorie : Apprentissage automatique
- Catégorie : classification
- Catégorie : regroupement
Détails à connaître
Ajouter à votre profil LinkedIn
5 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise en Apprentissage automatique
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable auprès de CertNexus
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 6 modules dans ce cours
Dans le cours précédent, vous avez parcouru l'ensemble du flux de travail de l'apprentissage automatique, du début à la fin. Il est maintenant temps de commencer à creuser les algorithmes qui composent l'apprentissage automatique. Cela vous aidera à sélectionner le(s) algorithme(s) le(s) plus approprié(s) pour vos propres besoins, ainsi que la meilleure façon de les appliquer pour résoudre un problème. La régression linéaire simple est un bon point de départ.
Inclus
13 vidéos3 lectures1 devoir1 sujet de discussion1 laboratoire non noté
Le modèle simple que vous avez créé précédemment fonctionne bien dans de nombreux cas, mais cela ne signifie pas qu'il s'agit de l'approche optimale. La régression linéaire peut être améliorée par le processus de régularisation, qui améliorera souvent les compétences de votre modèle d'apprentissage automatique. En outre, une approche itérative de la régression peut prendre le relais lorsque la solution de forme fermée n'est pas satisfaisante. Dans ce module, vous appliquerez ces deux techniques.
Inclus
8 vidéos3 lectures1 devoir1 sujet de discussion2 laboratoires non notés
Outre la régression linéaire, l'autre grand type de résultat de l'apprentissage automatique supervisé est la classification. Pour commencer, vous formerez des modèles de classification binaire à l'aide de différents algorithmes. Ensuite, vous formerez un modèle pour traiter les cas où il existe plusieurs façons de classer un exemple de données. Chaque algorithme peut être idéal pour résoudre un certain type de problème de classification, c'est pourquoi vous devez connaître leurs différences.
Inclus
9 vidéos3 lectures1 devoir1 sujet de discussion2 laboratoires non notés
Il ne suffit pas de former un modèle que vous pensez être le meilleur, puis de s'arrêter là. À moins que vous n'utilisiez un ensemble de données très simple ou que vous ayez de la chance, les paramètres par défaut ne vous donneront pas le meilleur modèle possible pour résoudre le problème. Dans ce module, vous évaluerez donc vos modèles de classification afin de déterminer leurs performances, puis vous tenterez d'améliorer leurs compétences.
Inclus
16 vidéos3 lectures1 devoir1 sujet de discussion2 laboratoires non notés
Vous avez construit des modèles pour résoudre les problèmes de régression linéaire et de classification. L'une des autres tâches majeures de l'apprentissage automatique que vous pourriez vouloir entreprendre est le clustering, une forme d'apprentissage non supervisé. Dans ce module, vous verrez comment un modèle d'apprentissage automatique peut vous aider à identifier des modèles utiles même lorsque les données avec lesquelles vous devez travailler ne sont pas étiquetées.
Inclus
9 vidéos4 lectures1 devoir1 sujet de discussion2 laboratoires non notés
Vous travaillerez sur un projet dans lequel vous appliquerez vos connaissances de la matière de ce cours à des scénarios pratiques.
Inclus
1 évaluation par les pairs1 laboratoire non noté
Instructeur
Offert par
Recommandé si vous êtes intéressé(e) par Apprentissage automatique
Alberta Machine Intelligence Institute
University of California, Irvine
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours du certificat et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations. De là, vous pourrez l'imprimer ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez auditer le cours gratuitement.
Si vous vous êtes abonné, vous bénéficiez d'une période d'essai gratuite de 7 jours pendant laquelle vous pouvez annuler votre abonnement sans pénalité. Après cette période, nous ne remboursons pas, mais vous pouvez résilier votre abonnement à tout moment. Consultez notre politique de remboursement complète.