À l'issue de cette formation, les apprenants seront capables d'analyser des ensembles de données structurés, de préparer des caractéristiques pour l'apprentissage automatique, de construire et d'évaluer des modèles de régression basés sur des réseaux neuronaux, et d'appliquer des techniques de régularisation afin d'améliorer les performances prédictives. Ils acquerront une expérience pratique de la transformation de données brutes sur les prix des voitures en informations exploitables, à l'aide de bibliothèques Python conformes aux normes du secteur et de workflows basés sur des réseaux neuronaux.

Ce cours guide les apprenants à travers un projet complet et concret axé sur la prédiction des prix des voitures, en passant étape par étape de l’acquisition des données et de l’analyse exploratoire à l’entraînement, l’évaluation et l’optimisation du modèle. Les apprenants développeront des compétences pratiques en prétraitement des données, en encodage des caractéristiques, en mise à l’échelle et en analyse de distribution, avant de construire et d’évaluer un modèle de réseau neuronal à l’aide de mesures de régression telles que l’erreur quadratique moyenne. Ce qui rend ce cours unique, c’est son approche de bout en bout, axée sur des projets, qui reflète les véritables flux de travail en science des données. Plutôt que d’étudier des concepts isolés, les apprenants appliquent chaque technique dans son contexte, ce qui leur permet de gagner en assurance dans la gestion d’ensembles de données structurés et de modèles de réseaux neuronaux. À l’issue de ce cours, les apprenants renforcent leurs compétences professionnelles en apprentissage automatique, en analyse de données et en modélisation prédictive, ce qui en fait une formation idéale pour les futurs data scientists, les praticiens de l’apprentissage automatique et les professionnels de l’analyse de données à la recherche d’une expérience pratique des réseaux neuronaux.