Une tendance émergente en IA est la disponibilité de technologies dans lesquelles l'automatisation est utilisée pour sélectionner un modèle de meilleur ajustement, effectuer l'ingénierie des caractéristiques et améliorer les performances du modèle via l'optimisation des hyperparamètres. Cette automatisation fournira un prototypage rapide des modèles et permettra au Modéliste des données de concentrer ses efforts sur l'application des connaissances du domaine pour affiner les modèles. Ce cours emmènera l'apprenant à travers la création d'un pipeline automatisé de bout en bout construit par l'outil d'expérimentation AutoAI de Watson Studio, en expliquant la technologie sous-jacente à l'œuvre telle qu'elle a été développée par IBM Research. L'accent sera mis sur le travail avec un carnet Python généré automatiquement. Les apprenants recevront des ensembles de données de test pour deux cas d'utilisation. Ce cours est destiné aux scientifiques de données en exercice. Bien qu'il présente les capacités d'IA automatisée d'IBM Watson Studio avec AutoAI, le cours n'explique pas les concepts d'Apprentissage automatique ou de Science des données.

Pour réussir, vous devez avoir des connaissances en : Flux de travail de la Science des données Prétraitement des données Ingénierie des caractéristiques Algorithmes d'apprentissage automatique Optimisation des hyperparamètres Mesures d'évaluation pour les modèles Python et la bibliothèque scikit-learn (y compris la classe Pipeline)