Ce cours vous présente l'un des principaux types de familles de modélisation de l'apprentissage automatique supervisé : La régression. Vous apprendrez à former des modèles de régression pour prédire des résultats continus et à utiliser des mesures d'erreur pour comparer différents modèles. A la fin de ce cours, vous devriez être capable de : Différencier les utilisations et les applications de la classification et de la régression dans le contexte de l'apprentissage automatique supervisé Décrire et utiliser des modèles de régression linéaire Utiliser une variété de mesures d'erreur pour comparer et sélectionner un modèle de régression linéaire qui convient le mieux à vos données Expliquer pourquoi la régularisation peut aider à prévenir l'overfitting Utiliser des régressions de régularisation : Ridge, LASSO, et Elastic net Qui devrait suivre ce cours ? Ce cours s'adresse aux scientifiques de données en herbe qui souhaitent acquérir une expérience pratique des techniques de régression de l'apprentissage automatique supervisé dans un environnement professionnel. Quelles compétences devriez-vous avoir ? Pour tirer le meilleur parti de ce cours, vous devriez être familier avec la programmation sur un environnement de développement Python, ainsi qu'une compréhension fondamentale du nettoyage des données, de l'analyse exploratoire des données, du calcul, de l'algèbre linéaire, des probabilités et des statistiques.

Ce cours vous présente l'un des principaux types de familles de modélisation de l'apprentissage automatique supervisé : La classification. Vous apprendrez à former des modèles prédictifs pour classer des résultats catégoriels et à utiliser des mesures d'erreur pour comparer différents modèles. La partie pratique de ce cours se concentre sur l'utilisation des meilleures pratiques pour la classification, y compris les divisions de formation et de test, et la gestion des ensembles de données avec des classes déséquilibrées.

A la fin de ce cours, vous devriez être capable de : -Différencier les utilisations et les applications de la classification et des ensembles de classification -Décrire et utiliser les modèles de régression logistique -Décrire et utiliser les arbres de décision et les modèles d'ensemble d'arbres -Décrire et utiliser d'autres méthodes d'ensemble pour la classification -Utiliser une variété de mesures d'erreur pour comparer et sélectionner le modèle de classification qui convient le mieux à vos données -Utiliser le suréchantillonnage et le sous-échantillonnage comme techniques pour gérer les classes déséquilibrées dans un ensemble de données Qui devrait suivre ce cours ? Ce cours s'adresse aux scientifiques de données en herbe qui souhaitent acquérir une expérience pratique des techniques de classification par apprentissage automatique supervisé dans un environnement professionnel. Quelles compétences devez-vous avoir ? Pour tirer le meilleur parti de ce cours, vous devez être familiarisé avec la programmation dans un environnement de développement Python, ainsi qu'avoir une compréhension fondamentale du nettoyage des données, de l'analyse exploratoire des données, du calcul, de l'algèbre linéaire, des probabilités et des statistiques.

Ce cours vous présente l'un des principaux types d'apprentissage automatique : L'apprentissage non supervisé. Vous apprendrez à tirer des enseignements d'ensembles de données qui n'ont pas de cible ou de variable étiquetée. Vous apprendrez plusieurs algorithmes de clustering et de réduction des dimensions pour l'apprentissage non supervisé, ainsi que la manière de sélectionner l'algorithme qui convient le mieux à vos données. A la fin de ce cours, vous devriez être capable de : Expliquer les types de problèmes adaptés aux approches d'apprentissage non supervisé Expliquer la malédiction de la dimensionnalité, et comment elle rend le clustering difficile avec de nombreuses caractéristiques Décrire et utiliser les algorithmes communs de clustering et de réduction de la dimensionnalité Essayer des points de clustering le cas échéant, comparer les performances des modèles par cluster Comprendre les métriques pertinentes pour caractériser les clusters Qui devrait suivre ce cours ?

Ce cours s'adresse aux scientifiques des données en herbe qui souhaitent acquérir une expérience pratique des techniques d'apprentissage automatique non supervisé dans un contexte professionnel. Quelles compétences devez-vous avoir ? Pour tirer le meilleur parti de ce cours, vous devez être familiarisé avec la programmation dans un environnement de développement Python, ainsi qu'avoir une compréhension fondamentale du nettoyage des données, de l'analyse exploratoire des données, du calcul, de l'algèbre linéaire, de la probabilité et de la statistique.

Ce cours vous présente deux des disciplines les plus recherchées dans le domaine de l'apprentissage automatique : L'apprentissage profond et l'apprentissage par renforcement. L'apprentissage profond est un sous-ensemble de l'apprentissage automatique qui a des applications à la fois dans l'apprentissage supervisé et non supervisé, et est fréquemment utilisé pour alimenter la plupart des applications d'intelligence artificielle que nous utilisons quotidiennement. Vous apprendrez d'abord la théorie des réseaux neuronaux, qui sont à la base du Deep Learning, ainsi que plusieurs architectures modernes de Deep Learning. Une fois que vous aurez développé quelques modèles d'apprentissage profond, le cours se concentrera sur l'apprentissage par renforcement, un type d'apprentissage automatique qui a attiré plus d'attention récemment. Bien qu'actuellement l'Apprentissage par Renforcement n'ait que quelques applications pratiques, c'est un domaine de recherche prometteur en IA qui pourrait devenir pertinent dans un avenir proche. Après ce cours, si vous avez suivi les cours de la Spécialisation IBM dans l'ordre, vous aurez une pratique considérable et une compréhension solide dans les principaux types de Machine Learning qui sont : A la fin de ce cours, vous devriez être capable de : Expliquer les types de problèmes adaptés aux approches d'apprentissage non supervisé Expliquer la malédiction de la dimensionnalité, et comment elle rend le clustering difficile avec de nombreuses caractéristiques Décrire et utiliser les algorithmes communs de clustering et de réduction de la dimensionnalité Essayer des points de clustering le cas échéant, comparer les performances des modèles par cluster Comprendre les métriques pertinentes pour caractériser les clusters Qui devrait suivre ce cours ?

Ce cours s'adresse aux scientifiques des données en herbe qui souhaitent acquérir une expérience pratique de l'apprentissage profond et de l'apprentissage par renforcement. Quelles compétences devez-vous avoir ? Pour tirer le meilleur parti de ce cours, vous devez être familiarisé avec la programmation dans un environnement de développement Python, ainsi qu'avoir une compréhension fondamentale du nettoyage des données, de l'analyse exploratoire des données, de l'apprentissage non supervisé, de l'apprentissage supervisé, du calcul, de l'algèbre linéaire, de la probabilité et de la statistique.