Ce cours vous apportera une compréhension fondamentale des modèles d'apprentissage automatique (régression logistique, perceptrons multicouches, réseaux neuronaux convolutifs, traitement du langage naturel, etc.) et vous montrera comment ces modèles peuvent résoudre des problèmes complexes dans une variété d'industries, des diagnostics médicaux à la reconnaissance d'images en passant par la prédiction de textes. En outre, nous avons conçu des exercices pratiques qui vous donneront une expérience concrète de la mise en œuvre de ces modèles de science des données sur des ensembles de données. Ces exercices pratiques vous apprendront à mettre en œuvre des algorithmes d'apprentissage automatique avec PyTorch, des bibliothèques open source utilisées par les principales entreprises technologiques dans le domaine de l'apprentissage automatique (par exemple, Google, NVIDIA, CocaCola, eBay, Snapchat, Uber et bien d'autres).
Introduction à l’apprentissage automatique
Enseigné en Anglais
Certains éléments de contenu peuvent ne pas être traduits
212 024 déjà inscrits
(3,575 avis)
Compétences que vous acquerrez
- Catégorie : Réseau neuronal convolutif
- Catégorie : Programmation en Python
- Catégorie : Apprentissage automatique
- Catégorie : pytorch
- Catégorie : Traitement du langage naturel (NLP)
Détails à connaître
Ajouter à votre profil LinkedIn
24 quizzes
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
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
L'objectif de ce module est d'introduire les concepts de l'apprentissage automatique avec le moins de mathématiques possible. Nous introduirons les concepts de base de l'apprentissage automatique, y compris la régression logistique, une méthode d'apprentissage automatique simple mais largement utilisée. Nous aborderons également le perceptron multicouche (MLP), un réseau neuronal fondamental. Le concept d'apprentissage profond est abordé, ainsi que les liens avec des modèles plus simples.
Inclus
23 vidéos2 lectures10 quizzes3 laboratoires non notés
Dans ce module, nous aborderons les bases mathématiques de l'apprentissage des réseaux profonds. Nous commencerons par expliquer comment nous définissons l'apprentissage des réseaux profonds comme un problème de minimisation d'une fonction mathématique. Après avoir défini notre objectif mathématique, nous introduirons des méthodes de validation pour estimer les performances réelles des réseaux profonds appris. Nous verrons ensuite comment la descente de gradient, une technique classique d'optimisation, peut être utilisée pour atteindre cet objectif mathématique. Enfin, nous verrons pourquoi et comment la descente de gradient stochastique est utilisée dans la pratique pour apprendre des réseaux profonds.
Inclus
6 vidéos3 quizzes2 laboratoires non notés
Cette semaine couvrira l'apprentissage du modèle, ainsi que l'apprentissage par transfert et le réglage fin. En plus d'apprendre les principes fondamentaux d'un CNN et la manière dont il est appliqué, une discussion approfondie est fournie sur l'intuition du CNN, dans le but de fournir une compréhension conceptuelle.
Inclus
8 vidéos4 quizzes2 laboratoires non notés
Cette semaine sera consacrée à l'application des réseaux neuronaux au traitement du langage naturel (NLP), des modèles neuronaux les plus simples aux plus complexes. Le concept fondamental des encastrements de mots est discuté, ainsi que la façon dont ces méthodes sont employées dans l'apprentissage et l'utilisation de modèles pour plusieurs applications du TAL. Un large éventail de modèles neuronaux de TAL est également abordé, y compris les réseaux neuronaux récurrents, et en particulier les modèles de mémoire à long terme (LSTM).
Inclus
13 vidéos4 quizzes2 laboratoires non notés
Cette semaine, nous allons aborder une introduction au réseau Transformer, un modèle d'apprentissage automatique profond conçu pour être plus flexible et plus robuste que les réseaux neuronaux récurrents (RNN). Nous commencerons par passer en revue plusieurs composantes d'apprentissage automatique d'un réseau Transformer : les produits intérieurs des vecteurs de mots, les mécanismes d'attention et les encodeurs et décodeurs de séquence à séquence. Ensuite, nous assemblerons tous ces composants pour explorer le réseau transformateur complet.
Inclus
12 vidéos
Cette semaine, nous aborderons l'apprentissage par renforcement, un concept fondamental de l'apprentissage automatique qui consiste à prendre des mesures appropriées pour maximiser les récompenses dans une situation donnée. Après avoir appris les étapes initiales de l'apprentissage par renforcement, nous passerons à l'apprentissage Q, ainsi qu'à l'apprentissage Q profond. Nous discuterons de la différence entre les concepts d'exploration et d'exploitation et de leur importance.
Inclus
10 vidéos3 quizzes2 laboratoires non notés
Instructeurs
Offert par
Recommandé si vous êtes intéressé(e) par Apprentissage automatique
Alberta Machine Intelligence Institute
University of Colorado Boulder
Fractal Analytics
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
Affichage de 3 sur 3575
3 575 avis
- 5 stars
74,71 %
- 4 stars
20,50 %
- 3 stars
2,90 %
- 2 stars
0,67 %
- 1 star
1,20 %
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à plus de 7 000 cours de renommée internationale, à des projets pratiques et à des programmes de certificats reconnus sur le marché du travail, 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 achetez un certificat, vous avez accès à tous les supports de cours, y compris les devoirs notés. Une fois le cours terminé, votre certificat électronique sera ajouté à votre page de réalisations. Vous pourrez alors l'imprimer ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez l'auditer gratuitement.
Vous pouvez prétendre à un remboursement intégral jusqu'à deux semaines après la date de votre paiement ou (pour les cours qui viennent d'être lancés) jusqu'à deux semaines après le début de la première session du cours, la date la plus tardive étant retenue. Vous ne pouvez pas obtenir de remboursement une fois que vous avez obtenu un certificat de cours, même si vous terminez le cours pendant la période de remboursement de deux semaines. Consultez notre politique de remboursement complète.