Dans ce module, vous explorerez deux techniques de régression essentielles utilisées dans l'Apprentissage automatique : la régression linéaire et la régression logistique. Vous expliquerez le rôle de la régression dans la prédiction des résultats, décrirez les différences entre la régression linéaire simple et multiple, et appliquerez les deux à l'aide de Scikit-learn sur des données réelles. Vous interpréterez également comment les modèles de régression polynomiale et non linéaire capturent des modèles complexes. Le module présente la régression logistique en tant que méthode de classification et vous guide pour former et tester efficacement les modèles de classification. Pour vous aider dans votre apprentissage, vous recevrez un Aide-mémoire : Régression linéaire et logistique qui résume les concepts clés, les formules et les cas d'utilisation.

Dans ce module, vous construirez et évaluerez une gamme de modèles d'Apprentissage automatique supervisé pour résoudre les problèmes de classification et de régression. Vous commencerez par décrire comment les modèles de classification prédisent les résultats catégoriels, et mettrez en œuvre des stratégies de classification multi-classes en cours d'utilisation. Vous explorerez ensuite comment les arbres décisionnels font des prédictions et les appliquerez à des tâches de classification et de régression. Le module couvre également l'utilisation des machines à vecteurs de support (SVM) pour la détection des fraudes, l'application des k plus proches voisins (KNN) pour la classification des clients, et la formation de modèles d'ensemble tels que les Forêts aléatoires et XGBoost pour améliorer la précision et l'efficacité. Vous distinguerez le biais et la variance dans les performances des modèles et explorerez comment les méthodes d'ensemble permettent d'équilibrer ce compromis. Pour vous aider dans votre apprentissage, vous recevrez un Aide-mémoire : Construire des modèles d'Apprentissage supervisé avec des termes clés, des types de modèles et des conseils d'évaluation.

Dans ce module, vous apprendrez comment les techniques d'Apprentissage non supervisé découvrent des modèles cachés dans les données sans utiliser de réponses étiquetées. Vous décrirez les concepts de clustering et appliquerez les K-moyennes à des tâches réelles de segmentation de la clientèle. Vous comparerez également les modèles DBSCAN et HDBSCAN pour identifier les grappes denses dans les données spatiales. Au-delà du clustering, vous explorerez la réduction de dimensionnalité en tant qu'outil de simplification des ensembles de données à haute dimension. Vous appliquerez l'ACP pour découvrir les composants clés et utiliserez des techniques avancées telles que t-SNE et UMAP pour visualiser la structure des données. Pour vous aider dans votre apprentissage, vous recevrez un Aide-mémoire : Construire des modèles d'Apprentissage non supervisé, qui met en évidence les méthodes de base, les cas d'utilisation pratiques et les directives de comparaison.

Dans ce module, vous apprendrez à évaluer l'efficacité des modèles d'apprentissage automatique à l'aide de techniques d'évaluation et de validation standard du secteur. Vous expliquerez les principales mesures de classification et de régression, évaluerez les modèles à l'aide de données réelles et interpréterez les résultats à l'aide d'outils tels que les matrices de confusion et les graphiques d'importance des caractéristiques. Vous explorerez comment évaluer la qualité du clustering dans l'Apprentissage non supervisé et appliquerez la validation croisée pour réduire l'overfitting. Le module présente également des méthodes de régularisation pour améliorer la généralisation des modèles et réduire la complexité des caractéristiques. Enfin, vous construirez des pipelines d'apprentissage automatique complets et les optimiserez avec GridSearchCV, tout en identifiant les pièges courants tels que les fuites de données. Pour vous aider dans votre apprentissage, vous recevrez un Aide-mémoire : Évaluation et validation des modèles d'apprentissage automatique couvrant les métriques clés, les techniques et les stratégies de réglage des modèles.

Dans ce module final, vous appliquerez et démontrerez l'ensemble des compétences que vous avez acquises tout au long du cours. Vous commencerez par un projet pratique utilisant le jeu de données Titanic pour construire et optimiser des modèles de classification en utilisant des pipelines, la validation croisée et l'ajustement des hyperparamètres. Ensuite, vous terminerez le projet final en développant un classificateur de prédiction des précipitations à l'aide de données météorologiques historiques. Cela inclut le nettoyage des données, l'Ingénierie des caractéristiques, la construction de modèles et l'évaluation des modèles. Pour conclure le cours, vous passerez un examen final noté qui testera vos connaissances sur l'ensemble des six modules. Ce module vous donne l'occasion de présenter votre apprentissage dans des contextes à la fois pratiques et théoriques.