Dans ce module, nous nous pencherons sur deux des algorithmes d'apprentissage automatique les plus fondamentaux : K-Means et les machines à vecteurs de support. Nous commencerons par comparer les deux branches de l'apprentissage automatique : l'apprentissage supervisé et l'apprentissage non supervisé. Ensuite, nous examinerons les similitudes et les différences spécifiques entre les K-voisins les plus proches pour la classification et le clustering K-Means. Enfin, nous effectuerons des plongées profondes dans les K-Means et les SVM, en apprenant la théorie de base qui les sous-tend et comment les mettre en œuvre en Python.

Dans ce module, nous allons explorer certaines techniques avancées d'intelligence artificielle. Nous commencerons par les algorithmes à base d'arbres, rendus populaires par l'utilisation des forêts aléatoires pour la classification et la régression. Ensuite, nous nous dirigerons vers les réseaux neuronaux, en commençant par expérimenter les différents modèles. Nous passerons un peu de temps dans le terrain de jeu de Tensorflow pour nous familiariser avec les différents mécanismes qui sous-tendent les réseaux neuronaux. Enfin, nous coderons nos propres réseaux neuronaux pour faire des prédictions sur des données inédites.

Dans ce module, nous allons étudier un projet de cours visant à prédire le diabète à partir de données de santé. Nous comparerons différents régresseurs en les implémentant et en vérifiant l'erreur sur un ensemble de tests.