Ce module vous aidera à maîtriser les techniques de réduction de dimensionnalité pour traiter efficacement les données à haute dimension. Vous apprendrez à appliquer l'Analyse en composantes principales (ACP) pour réduire la dimensionnalité tout en conservant les caractéristiques clés, à utiliser le t-distributed Stochastic Neighbor Embedding (t-SNE) pour visualiser les données de haute dimension dans l'espace 2D/3D pour le clustering et la reconnaissance des formes, et à mettre en œuvre l'Uniform Manifold Approximation and Projection (UMAP) pour une réduction efficace de la dimensionnalité, en tirant parti de sa vitesse et de ses propriétés de préservation de la structure.

Dans ce module, vous vous concentrerez sur les techniques de traitement du langage naturel, du prétraitement de texte de base à l'analyse des sentiments avancée. Vous apprendrez à prétraiter les données en utilisant la tokenisation, la suppression des mots vides et la stemming/lemmatisation avec Natural Language Toolkit (NLTK) et spaCy. Grâce à la mise en œuvre de la classification de texte en utilisant diverses techniques telles que le sac de mots, le TF-IDF et les enchâssements de mots, vous acquerrez une expérience pratique dans les tâches de NLP. Vous formerez également des modèles d'analyse des sentiments en utilisant Hugging Face Transformers et Scikit-learn.

Apprentissage par renforcement Description : Dans ce module, vous explorerez les principes fondamentaux de l'Apprentissage par renforcement (APR), y compris les processus de décision de Markov (PDM) et l'apprentissage basé sur la récompense. Vous comprendrez les composants clés des systèmes d'apprentissage par renforcement et mettrez en œuvre des techniques d'apprentissage basées sur la politique et sur la valeur. Grâce à des exemples pratiques et à une mise en œuvre concrète, vous découvrirez comment l'apprentissage par renforcement est appliqué dans des scénarios du monde réel tels que la robotique, les jeux et la finance.

Ce module se concentre sur les techniques d'apprentissage automatique et l'optimisation des modèles. Vous apprendrez à automatiser la sélection des modèles et le réglage des hyperparamètres à l'aide d'Auto-sklearn et de GridSearchCV, et à optimiser les modèles à l'aide de MLflow pour le suivi des expériences et la reproductibilité. Vous explorerez également les techniques d'optimisation bayésienne pour améliorer la précision des modèles. Le module se termine par un projet de synthèse complet qui combine plusieurs techniques de l'ensemble du cours.