Ce cours introduira l'apprenant à l'apprentissage automatique appliqué, en se concentrant davantage sur les techniques et les méthodes que sur les statistiques sous-jacentes à ces méthodes. Le cours commencera par une discussion sur la différence entre l'apprentissage automatique et les statistiques descriptives, et présentera la boîte à outils scikit learn à l'aide d'un tutoriel. La question de la dimensionnalité des données sera abordée, ainsi que la tâche de regroupement des données et l'évaluation de ces regroupements. Les approches supervisées pour la création de modèles prédictifs seront décrites, et les apprenants seront en mesure d'appliquer les méthodes de modélisation prédictive de scikit learn tout en comprenant les problèmes de processus liés à la généralisation des données (par exemple, la validation croisée, le surajustement). Le cours se terminera par un aperçu des techniques plus avancées, telles que la construction d'ensembles, et des limites pratiques des modèles prédictifs. A la fin de ce cours, les étudiants seront capables d'identifier la différence entre une technique supervisée (classification) et non supervisée (clustering), d'identifier la technique qu'ils doivent appliquer pour un ensemble de données et un besoin particulier, de concevoir des caractéristiques pour répondre à ce besoin, et d'écrire du code python pour effectuer une analyse.

Ce cours devrait être suivi après Introduction à la science des données en Python et Tracé, graphique et représentation des données en Python et avant Text Mining appliqué en Python et Analyse sociale appliquée en Python.