Il s'agit du cinquième cours du certificat Google Advanced Data Analytics. Dans ce cours, vous découvrirez l'apprentissage automatique, qui utilise des algorithmes et des statistiques pour enseigner aux systèmes informatiques à découvrir des modèles dans les données. Les professionnels des données utilisent l'apprentissage automatique pour aider à analyser de grandes quantités de données, résoudre des problèmes complexes et faire des prédictions précises. Vous vous concentrerez sur les deux principaux types d'apprentissage automatique : supervisé et non supervisé. Vous apprendrez à appliquer différents modèles d'apprentissage automatique à des problèmes professionnels et vous vous familiariserez avec des modèles spécifiques tels que la Classification naïve bayésienne, l'arbre décisionnel, la forêt aléatoire, etc.

Les employés de Google qui travaillent actuellement dans le domaine vous guideront tout au long de ce cours en vous proposant des activités pratiques qui simulent des tâches pertinentes, en partageant des exemples tirés de leur travail quotidien et en vous aidant à améliorer vos compétences en matière d'analytique des données pour préparer votre carrière. Les apprenants qui terminent les huit cours de ce programme auront les compétences nécessaires pour postuler à des emplois dans le domaine de la science des données et de l'analytique des données avancée. Ce certificat suppose une connaissance préalable des principes analytiques fondamentaux, des compétences et des outils couverts dans le certificat Google Data Analytics. À l'issue de ce cours, vous serez en mesure de -Appliquer des techniques d'ingénierie des caractéristiques en utilisant Python -Construire un modèle de Classification naïve bayésienne -Décrire comment l'apprentissage non supervisé diffère de l'apprentissage supervisé -Coder un algorithme K-moyennes en Python -Évaluer et optimiser les résultats du modèle K-moyennes -Explorer les modèles d'arbres de décision, comment ils fonctionnent, explorer les modèles d'arbres de décision, leur fonctionnement et leurs avantages par rapport à d'autres types d'apprentissage automatique supervisé -Caractériser le bagging dans l'apprentissage automatique, en particulier pour les modèles de forêt aléatoire -Distinguer le boosting dans l'apprentissage automatique, en particulier pour les modèles XGBoost -Expliquer l'ajustement des paramètres de modèles et comment ils affectent les performances et les métriques d'évaluation