Dans ce module, nous verrons comment améliorer la qualité de nos données et effectuer une analyse exploratoire de celles-ci. Nous évoquerons également l'importance du nettoyage des données en machine learning et son impact sur leur qualité. Sachez par exemple que des valeurs manquantes peuvent fausser les résultats. Enfin, vous découvrirez pourquoi il est primordial d'explorer vos données. Une fois l'ensemble de données nettoyé, vous effectuerez une analyse exploratoire de celui-ci.

Dans ce module, nous vous présenterons quelques-uns des principaux types de machine learning pour que vous puissiez progresser plus rapidement en tant qu'utilisateur du ML.

Dans ce module, nous verrons comment entraîner des modèles AutoML à l'aide de Vertex AI.

Dans ce module, nous vous présenterons BigQuery ML et ses fonctionnalités.

Dans ce module, nous vous apprendrons à optimiser vos modèles de ML.

Il est maintenant temps de répondre à une question plutôt bizarre : dans quels cas ne faut-il pas choisir le modèle de ML le plus précis ? Comme brièvement évoqué dans le module précédent sur l'optimisation, un modèle présentant une métrique de perte égale à zéro pour votre ensemble de données d'entraînement ne sera pas forcément efficace sur de nouvelles données réelles. Dans ce module, vous apprendrez à créer des ensembles de données d'entraînement, d'évaluation et de test reproductibles, ainsi qu'à définir des benchmarks de performances.

Ce module résume le cours "Launching into Machine Learning".