Ce cours vous permet de comprendre les principes fondamentaux d'un projet d'apprentissage automatique. Les apprenants comprendront et mettront en œuvre des techniques d'apprentissage supervisé sur des études de cas réels afin d'analyser des scénarios d'affaires où les arbres de décision, les k-voisins les plus proches et les machines à vecteurs de support sont utilisés de manière optimale. Les apprenants acquerront également des compétences pour contraster les conséquences pratiques des différentes étapes de préparation des données et décriront les problèmes de production courants dans l'apprentissage automatique appliqué. Pour réussir, vous devez avoir au moins un niveau débutant en programmation Python (par exemple, être capable de lire et de tracer du code existant, être à l'aise avec les conditionnelles, les boucles, les variables, les listes, les dictionnaires et les tableaux). Vous devriez avoir une compréhension de base de l'algèbre linéaire (notation vectorielle) et des statistiques (distributions de probabilité et moyenne/médiane/mode). Ceci est le deuxième cours de la spécialisation en apprentissage automatique appliqué qui vous est offert par Coursera et l'Institut d'intelligence artificielle de l'Alberta.

Ce cours est consacré aux données et à leur importance pour le succès de votre modèle d'apprentissage automatique appliqué. En complétant ce cours, les apprenants auront les compétences pour : Comprendre les éléments critiques des données dans les phases d'apprentissage, de formation et d'exploitation Comprendre les biais et les sources de données Mettre en œuvre des techniques pour améliorer la généralité de votre modèle Expliquer les conséquences de l'overfitting et identifier les mesures d'atténuation Mettre en œuvre des mesures de test et de validation appropriées Démontrer comment la précision de votre modèle peut être améliorée avec une ingénierie de fonctionnalité réfléchie Explorer l'impact des paramètres de l'algorithme sur la force du modèle Pour réussir dans ce cours, vous devez avoir au moins des connaissances de niveau débutant dans la programmation Python (par exemple, être capable de lire et de tracer du code existant, être à l'aise avec les conditionnelles, les boucles, les variables, les listes, les dictionnaires et les tableaux). Vous devriez avoir une compréhension de base de l'algèbre linéaire (notation vectorielle) et des statistiques (distributions de probabilité et moyenne/médiane/mode). Il s'agit du troisième cours de la spécialisation Applied Machine Learning qui vous est offert par Coursera et l'Alberta Machine Intelligence Institute.

Ce cours synthétise tout ce que vous avez appris dans la spécialisation en apprentissage automatique appliqué. Vous allez maintenant parcourir un projet complet d'apprentissage automatique pour préparer une feuille de route de maintenance de l'apprentissage automatique. Vous comprendrez et analyserez comment traiter les données changeantes. Vous serez également en mesure d'identifier et d'interpréter les effets involontaires potentiels de votre projet. Vous comprendrez et définirez des procédures pour rendre opérationnel et maintenir votre modèle d'apprentissage automatique appliqué. A la fin de ce cours, vous aurez tous les outils et la compréhension dont vous avez besoin pour déployer en toute confiance un projet d'apprentissage automatique et vous préparer à l'optimiser dans le contexte de votre entreprise.

Pour réussir, vous devez avoir au moins un niveau débutant en programmation Python (par exemple, être capable de lire et de tracer du code existant, être à l'aise avec les conditionnelles, les boucles, les variables, les listes, les dictionnaires et les tableaux). Vous devriez avoir une compréhension de base de l'algèbre linéaire (notation vectorielle) et des statistiques (distributions de probabilité et moyenne/médiane/mode). Il s'agit du dernier cours de la spécialisation en apprentissage automatique appliqué qui vous est offert par Coursera et l'Alberta Machine Intelligence Institute (Amii).