Vous avez formulé un problème d'apprentissage automatique et identifié un ensemble de données potentiel à utiliser. Vous allez maintenant analyser l'ensemble de données pour développer des idées sur la manière d'utiliser au mieux les informations qu'il contient et vous préparer à créer votre modèle initial d'apprentissage automatique.

Avant qu'un ensemble de données puisse être utilisé avec un modèle d'apprentissage automatique, vous devez généralement effectuer diverses tâches pour vous assurer que les données sont dans un état optimal. Dans ce module, vous utiliserez diverses méthodes pour préparer les données.

Pour mettre en place un modèle d'apprentissage automatique dans un environnement comme Python, vous devez déterminer l'algorithme qui produira les résultats que vous recherchez, puis l'utiliser pour créer un modèle basé sur vos données d'apprentissage. Après la configuration initiale, il peut être nécessaire de procéder à de nombreux tests et perfectionnements pour produire un modèle qui réponde à vos besoins.

Maintenant que vous avez terminé l'entraînement et le réglage d'un modèle d'apprentissage automatique, vous pouvez vous concentrer sur son déploiement. Cela peut se résumer à la production d'un rapport basé sur vos résultats, ou être beaucoup plus complexe, en particulier si le modèle doit être incorporé dans des processus reproductibles ou faire partie d'une solution logicielle. Dans tous les cas, la finalisation est la conclusion cruciale du flux de travail de l'apprentissage automatique.

Vous travaillerez sur un projet dans lequel vous appliquerez vos connaissances de la matière de ce cours à un scénario pratique.