Les cours en apprentissage automatique peuvent vous aider à comprendre comment construire, entraîner et analyser des modèles prédictifs. Vous pouvez développer des compétences en préparation des données, choix d'algorithmes, optimisation et évaluation. De nombreux cours utilisent des bibliothèques courantes pour tester des modèles.

Plusieurs enseignants
Compétences que vous acquerrez: Intelligence artificielle, Apprentissage automatique, Modélisation prédictive, Tensorflow, Arbre de décision, Apprentissage par renforcement, Intelligence artificielle et apprentissage automatique (IA/ML), NumPy, Deep learning, Apprentissage automatique appliqué, Scikit-learn (Bibliothèque d'Apprentissage automatique), Détection des anomalies, Arbre de classification et de régression (CART), IA responsable, Éthique des données, Algorithme de forêt aléatoire, Apprentissage non supervisé, Apprentissage supervisé, Ingénierie des caractéristiques, Jupyter
Débutant · Spécialisation · 1 à 3 mois

Compétences que vous acquerrez: Modélisation prédictive, Apprentissage automatique, Analyse de régression, Scikit-learn (Bibliothèque d'Apprentissage automatique), Réduction de dimensionnalité, Programmation en Python, Apprentissage automatique appliqué, Arbre de classification et de régression (CART), Ingénierie des caractéristiques, Apprentissage non supervisé, Apprentissage supervisé, Analyse statistique, Algorithmes d'apprentissage automatique
Intermédiaire · Cours · 1 à 3 mois

Dartmouth College
Compétences que vous acquerrez: Supervised Learning, Predictive Modeling, Predictive Analytics, Statistical Modeling, Machine Learning, Machine Learning Algorithms, Regression Analysis, Probability & Statistics, Linear Algebra
Intermédiaire · Cours · 1 à 3 mois

Imperial College London
Compétences que vous acquerrez: Science des données, Mathématiques appliquées, Apprentissage automatique, Manipulation des données, Produits dérivés, Analyse de régression, Algorithmes, Programmation en Python, Réduction de dimensionnalité, Réseaux neuronaux artificiels, Probabilités et statistiques, Algèbre linéaire, NumPy, Jupyter, Calculs, Mathématiques avancées, Analyse statistique, Statistiques, Algorithmes d'apprentissage automatique
Débutant · Spécialisation · 3 à 6 mois

Compétences que vous acquerrez: Science des données, Analyse exploratoire des données (AED), Modélisation prédictive, Accès aux données, Inférence statistique, Apprentissage automatique, Architectures de modèles génératifs, Analyse de régression, Programmation en Python, Réduction de dimensionnalité, Apprentissage par renforcement, Analyse des séries temporelles et prévisions, Deep learning, Apprentissage non supervisé, Apprentissage automatique appliqué, Ingénierie des caractéristiques, Apprentissage supervisé, Nettoyage des données, Analyse des Données, Algorithmes d'apprentissage automatique
Préparer un diplôme
Intermédiaire · Certificat Professionnel · 3 à 6 mois

University of Washington
Compétences que vous acquerrez: Intelligence artificielle, Vision par ordinateur, Modélisation prédictive, Analyse de régression, Apprentissage automatique, Exploration de texte, Big Data, Modélisation statistique, Arbre de classification et de régression (CART), Deep learning, Statistiques bayésiennes, Apprentissage automatique appliqué, Apprentissage non supervisé, Analyse prédictive, Ingénierie des caractéristiques, Analyse d'images, Apprentissage supervisé, Data mining, Apprentissage statistique des machines, Algorithmes d'apprentissage automatique
Intermédiaire · Spécialisation · 3 à 6 mois

Compétences que vous acquerrez: Intelligence artificielle, Modélisation prédictive, Apprentissage automatique, Analyse de régression, Transformation de données, Scikit-learn (Bibliothèque d'Apprentissage automatique), Programmation en Python, Arbre de classification et de régression (CART), Ingénierie des caractéristiques, Modélisation statistique, Apprentissage automatique appliqué, Apprentissage supervisé, NumPy, Jupyter
Débutant · Cours · 1 à 4 semaines

Compétences que vous acquerrez: Mathématiques appliquées, Distribution de probabilité, Apprentissage automatique, Inférence statistique, Échantillonnage (statistiques), Tests A/B, Analyse numérique, Statistiques descriptives, Réduction de dimensionnalité, Statistiques bayésiennes, Probabilités et statistiques, Transformation de données, Tests d'hypothèses statistiques, Algèbre linéaire, Probabilité, Modélisation mathématique, NumPy, Calculs, Analyse statistique
Intermédiaire · Spécialisation · 1 à 3 mois

Compétences que vous acquerrez: Science des données, Apprentissage automatique, Analyse exploratoire des données (AED), Accès aux données, Modélisation prédictive, Inférence statistique, Scikit-learn (Bibliothèque d'Apprentissage automatique), Analyse de régression, Réduction de dimensionnalité, Modélisation statistique, Qualité des données, Arbre de classification et de régression (CART), Apprentissage automatique appliqué, Tests d'hypothèses statistiques, Ingénierie des caractéristiques, Algorithmes d'apprentissage automatique, Apprentissage non supervisé, Apprentissage supervisé, Nettoyage des données, Analyse des Données
Intermédiaire · Spécialisation · 3 à 6 mois

Amazon Web Services
Compétences que vous acquerrez: Artificial Intelligence and Machine Learning (AI/ML), Generative AI, Deep Learning, Artificial Intelligence, Amazon Web Services, Applied Machine Learning, Machine Learning
Mixte · Cours · 1 à 4 semaines

Compétences que vous acquerrez: Apprentissage automatique, Gestion des flux de travail, Analyse avancée, Arbre de décision, Programmation en Python, Arbre de classification et de régression (CART), Apprentissage automatique appliqué, Éthique des données, Apprentissage non supervisé, Algorithme de forêt aléatoire, Ingénierie des caractéristiques, Apprentissage supervisé, Données Validation des données, Optimisation des performances
Avancées · Cours · 1 à 3 mois

Compétences que vous acquerrez: Informatique décisionnelle, Atténuation des risques, Traitement du langage naturel (NLP), IA responsable, IA générative, Création de contenu
Débutant · Cours · 1 à 4 semaines
Parcourez les cours d'apprentissage automatique ci-dessous - des points de départ populaires sur Coursera.
Ces cours adaptés aux débutants développent des concepts de base sans nécessiter d'expérience préalable approfondie en mathématiques ou en codage :
La spécialisation Apprentissage automatique par l'Université de Stanford et DeepLearning.IA dure 2 mois et se concentre sur :
Elle utilise des outils tels que Python, Excel, NumPy et Scikit-learn.
À l'inverse, le certificat professionnel IBM Apprentissage automatique s'étend sur 3 mois et met l'accent sur :
Il comprend des outils tels que Python, SQL, Power BI, Pandas, Numpy et Scikit-learn.
Les deux cours couvrent les fondamentaux de l'apprentissage automatique pour les scientifiques de données, mais diffèrent en profondeur et en domaines spécialisés. Choisissez en fonction de vos préférences :
Commencez par identifier vos objectifs, qu'il s'agisse d'explorer les principes fondamentaux de l'apprentissage automatique, d'acquérir des compétences adaptées à l'emploi ou de vous préparer à un rôle dans le domaine de l'IA ou de la science des données.
Oui, Coursera propose une variété de cours gratuits sur de nombreux sujets, y compris l'apprentissage automatique. Bien que vous puissiez accéder gratuitement à la plupart des supports de cours en auditant les cours, cela n'inclut pas les devoirs notés ou un certificat d'achèvement. Pour ceux qui souhaitent obtenir un certificat afin de présenter leur apprentissage ou d'améliorer leur profil professionnel, Coursera offre la possibilité d'acheter le cours. En outre, Coursera propose des essais gratuits ou une aide financière aux apprenants qui remplissent les conditions requises, ce qui rend les certifications plus accessibles à tous.
L'apprentissage automatique est une branche de l'intelligence artificielle qui cherche à développer des systèmes informatiques capables d'apprendre à partir de données sans intervention humaine. Ces techniques puissantes reposent sur la création de modèles analytiques sophistiqués qui sont « formés » pour reconnaître des structures au sein d'un ensemble de données spécifique avant d'être libérés pour appliquer ces structures à un volume croissant de données, améliorant progressivement les performances sans instructions supplémentaires.
Par exemple, l'apprentissage automatique ouvre la voie à des algorithmes de reconnaissance d'image de plus en plus précis. Les programmeurs humains fournissent un ensemble relativement restreint d'images catégorisées, comme par exemple « voitures » ou « pas des voitures », puis exposent les algorithmes à un nombre beaucoup plus important d'images afin qu'ils puissent apprendre. Bien que les algorithmes itératifs généralement utilisés dans l'apprentissage automatique ne soient pas nouveaux, la puissance des systèmes informatiques actuels a permis à cette méthode d'analyse de données de devenir plus efficace plus rapidement que jamais.
L'apprentissage automatique est une sorte de domaine hybride, situé à la croisée des chemins entre l'informatique, la science des données, les algorithmes et la théorie mathématique. Du côté de l'informatique, les ingénieurs en apprentissage automatique et d'autres professionnels dans ce domaine ont généralement besoin de solides compétences en génie logiciel, des fondamentaux comme la programmation en toute confiance et la capacité de codage à la connaissance globale des principes de conception de systèmes.
Il est également important de connaître les concepts de la science des données, notamment en matière d'évaluation et de modélisation de données, afin de garantir que les algorithmes fonctionnent correctement et deviennent plus précis au fil du temps, et non moins. Enfin, l'apprentissage automatique s'appuyant fortement sur les algorithmes ainsi que sur les statistiques et les principes de probabilité qui les sous-tendent, une solide formation théorique en mathématiques peut également être précieuse.
Les compétences en apprentissage automatique peuvent ouvrir les portes à de nombreux rôles à forte demande dans la technologie et la recherche, notamment :
Découvrez quel rôle d'apprentissage automatique vous convient le mieux en répondant à notre quiz sur les carrières!
Les algorithmes d'apprentissage automatique en ligne sont des méthodes d'apprentissage automatique qui mettent à jour les modèles en continu à mesure que de nouvelles données arrivent, plutôt que de s'entraîner sur un ensemble de données fixe. Ils sont utiles pour les applications en temps réel telles que la détection des fraudes ou les systèmes de recommandation. Vous pouvez explorer ces concepts dans des cours comme Apprentissage automatique by Stanford University sur Coursera, qui présente les techniques fondamentales utilisées dans les modèles adaptatifs.
L'inférence causale dans l'apprentissage automatique se concentre sur l'identification des relations de cause à effet plutôt que de simples corrélations. Elle est utilisée dans des domaines tels que les soins de santé, l'économie et la politique pour faire des prédictions et prendre des décisions plus fiables. Des cours tels que A Crash Course in Causality : Inferring Causal Effects from Observational Data de l'Université de Pennsylvanie sur Coursera offrent une solide introduction à ces méthodes.