Ce cours introduira l'apprenant à l'apprentissage automatique appliqué, en se concentrant davantage sur les techniques et les méthodes que sur les statistiques sous-jacentes à ces méthodes. Le cours commencera par une discussion sur la différence entre l'apprentissage automatique et les statistiques descriptives, et présentera la boîte à outils scikit learn à l'aide d'un tutoriel. La question de la dimensionnalité des données sera abordée, ainsi que la tâche de regroupement des données et l'évaluation de ces regroupements. Les approches supervisées pour la création de modèles prédictifs seront décrites, et les apprenants seront en mesure d'appliquer les méthodes de modélisation prédictive de scikit learn tout en comprenant les problèmes de processus liés à la généralisation des données (par exemple, la validation croisée, le surajustement). Le cours se terminera par un aperçu des techniques plus avancées, telles que la construction d'ensembles, et des limites pratiques des modèles prédictifs. A la fin de ce cours, les étudiants seront capables d'identifier la différence entre une technique supervisée (classification) et non supervisée (clustering), d'identifier la technique qu'ils doivent appliquer pour un ensemble de données et un besoin particulier, de concevoir des caractéristiques pour répondre à ce besoin, et d'écrire du code python pour effectuer une analyse.
Offrez à votre carrière le cadeau de Coursera Plus avec $160 de réduction, facturé annuellement. Économisez aujourd’hui.
Apprentissage automatique appliqué en Python
Ce cours fait partie de Spécialisation Science des Données Appliquée avec Python
Instructeur : Kevyn Collins-Thompson
311 660 déjà inscrits
Inclus avec
(8,514 avis)
Ce que vous apprendrez
Décrivez en quoi l'apprentissage automatique est différent des statistiques descriptives
Créer et évaluer des grappes de données
Expliquer les différentes approches pour créer des modèles prédictifs
Construire des fonctionnalités qui répondent aux besoins d'analyse
Compétences que vous acquerrez
- Catégorie : Programmation en Python
- Catégorie : Algorithmes d'apprentissage automatique (ML)
- Catégorie : Apprentissage automatique
- Catégorie : Scikit-Learn
Détails à connaître
Ajouter à votre profil LinkedIn
4 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- 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
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 4 modules dans ce cours
Ce module présente les concepts de base de l'apprentissage automatique, les tâches et le flux de travail en utilisant un exemple de problème de classification basé sur la méthode des K-voisins les plus proches, et mis en œuvre à l'aide de la bibliothèque scikit-learn.
Inclus
7 vidéos4 lectures1 devoir1 devoir de programmation1 laboratoire non noté
Ce module se penche sur une plus grande variété de méthodes d'apprentissage supervisé pour la classification et la régression, en apprenant le lien entre la complexité du modèle et la performance de la généralisation, l'importance d'une mise à l'échelle correcte des caractéristiques, et comment contrôler la complexité du modèle en appliquant des techniques telles que la régularisation pour éviter le surajustement. Outre les k-voisins les plus proches, cette semaine couvre la régression linéaire (moindres carrés, ridge, lasso et régression polynomiale), la régression logistique, les machines à vecteurs de support, l'utilisation de la validation croisée pour l'évaluation des modèles et les arbres de décision.
Inclus
13 vidéos2 lectures1 devoir1 devoir de programmation2 laboratoires non notés
Ce module couvre les méthodes d'évaluation et de sélection de modèles que vous pouvez utiliser pour comprendre et optimiser les performances de vos modèles d'apprentissage automatique.
Inclus
8 vidéos2 lectures1 devoir1 devoir de programmation1 laboratoire non noté
Ce module couvre des méthodes d'apprentissage supervisé plus avancées qui incluent des ensembles d'arbres (forêts aléatoires, arbres boostés par le gradient) et des réseaux neuronaux (avec un résumé optionnel sur l'apprentissage profond). Vous découvrirez également le problème critique des fuites de données dans l'apprentissage automatique et la manière de les détecter et de les éviter.
Inclus
10 vidéos13 lectures1 devoir1 devoir de programmation2 laboratoires non notés
Instructeur
Offert par
Recommandé si vous êtes intéressé(e) par Analyse des Données
Arizona State University
University of Michigan
Préparer un diplôme
Le fait de suivre ce cours proposé par University of Michigan vous donnera un aperçu des enseignants ainsi que des sujets et contenus dans un programme diplômant connexe, ce qui peut vous aider à déterminer si le sujet ou l’université vous convient.
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
Affichage de 3 sur 8514
8 514 avis
- 5 stars
71,65 %
- 4 stars
20,98 %
- 3 stars
4,89 %
- 2 stars
1,18 %
- 1 star
1,27 %
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 vous inscrivez au cours, vous avez accès à tous les cours de la Specializations, et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations - de là, vous pouvez imprimer votre certificat 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.