Il s'agit du quatrième cours de la spécialisation IBM IA Enterprise Flux de travail Certification. Vous êtes FORTEMENT encouragé à suivre ces cours dans l'ordre, car il ne s'agit pas de cours individuels indépendants, mais d'une partie d'un flux de travail où chaque cours s'appuie sur les précédents.
Le cours 4 couvre l'étape suivante du flux de travail, la mise en place de modèles et de leurs pipelines de données associés pour une entreprise hypothétique de médias en continu. Le premier sujet couvre le thème complexe des métriques d'évaluation, où vous apprendrez les meilleures pratiques pour un certain nombre de métriques différentes, y compris les métriques de régression, les métriques de classification et les métriques multi-classes, que vous utiliserez pour sélectionner le meilleur modèle pour votre défi commercial. Les rubriques suivantes couvrent les meilleures pratiques pour différents types de modèles, notamment les modèles linéaires, les modèles basés sur des arbres et les réseaux neurones. Des modèles Watson prêts à l'emploi pour la compréhension du langage naturel et la reconnaissance visuelle seront utilisés. Des études de cas portant sur le traitement du langage naturel (NLP) et sur l'analyse d'images seront présentées afin de fournir un contexte réaliste pour les pipelines de modèles. A la fin de ce cours, vous serez capable de : Discuter des mesures courantes de régression, de classification et de classification multi-labels, expliquer l'utilisation de la régression linéaire et logistique dans les applications d'apprentissage supervisé Décrire les stratégies communes pour la recherche en grille et la validation croisée Employer des métriques d'évaluation pour sélectionner des modèles pour la production Expliquer l'utilisation des algorithmes basés sur les arbres dans les applications d'apprentissage supervisé Expliquer les principales variantes des réseaux neuronaux et les progrès récents Créer un modèle de réseau neuronal dans Tensorflow Créer et tester une instance de Watson Visual Recognition Créer et tester une instance de Watson NLU Qui devrait suivre ce cours ? Ce cours cible les praticiens de la science des données existants qui ont une expertise dans la construction de modèles d'apprentissage automatique, qui veulent approfondir leurs compétences sur la construction et le déploiement de l'IA dans les grandes entreprises. Si vous êtes un aspirant Data Scientist, ce cours n'est PAS pour vous car vous avez besoin d'une expertise du monde réel pour bénéficier du contenu de ces cours. Quelles compétences devez-vous avoir ? Il est supposé que vous avez suivi les cours 1 à 3 de la spécialisation IBM IA Enterprise Flux de travail et que vous avez une solide compréhension des sujets suivants avant de commencer ce cours : Compréhension fondamentale de l'algèbre linéaire ; Comprendre l'échantillonnage, la théorie des probabilités et les distributions de probabilité ; Connaissance des concepts statistiques descriptifs et déductifs ; Compréhension générale des techniques d'apprentissage automatique et des meilleures pratiques ; Compréhension pratiquée de Python et des paquets couramment utilisés en science des données : NumPy, Pandas, matplotlib, scikit-learn ; Familiarité avec IBM Watson Studio ; Familiarité avec le processus de design thinking.
