La Specialization Machine Learning est un programme en ligne fondamental créé en collaboration entre DeepLearning.AI et Stanford Online. Ce programme adapté aux débutants vous enseignera les principes fondamentaux de l'apprentissage automatique et la manière d'utiliser ces techniques pour créer des applications d'IA dans le monde réel.
Cette Specializations est enseignée par Andrew Ng, un visionnaire de l'IA qui a mené des recherches critiques à l'Université de Stanford et des travaux révolutionnaires chez Google Brain, Baidu et Landing.AI pour faire avancer le domaine de l'IA.
Cette Specializations en 3 cours est une version mise à jour du cours pionnier d'Andrew sur l'apprentissage automatique, noté 4,9 sur 5 et suivi par plus de 4,8 millions d'apprenants depuis son lancement en 2012.
Il fournit une large introduction à l'apprentissage automatique moderne, y compris l'apprentissage supervisé (régression linéaire multiple, régression logistique, réseaux neuronaux et arbres de décision), l'apprentissage non supervisé (clustering, réduction de la dimensionnalité, systèmes de recommandation), et certaines des meilleures pratiques utilisées dans la Silicon Valley pour l'intelligence artificielle et l'innovation en matière d'apprentissage automatique (évaluation et réglage des modèles, adoption d'une approche centrée sur les données pour améliorer les performances, et plus encore...)
À la fin de cette Specializations, vous aurez maîtrisé les concepts clés et acquis le savoir-faire pratique pour appliquer rapidement et puissamment l'apprentissage automatique à des problèmes difficiles du monde réel. Si vous cherchez à percer dans l'IA ou à construire une carrière dans l'apprentissage automatique, la nouvelle Specialization Machine Learning est le meilleur point de départ.
Projet d'apprentissage appliqué
À la fin de cette Specializations, vous serez prêt à :
- Construire des modèles d'apprentissage automatique en Python en utilisant les bibliothèques d'apprentissage automatique populaires NumPy et scikit-learn.
- Construire et former des modèles d'apprentissage automatique supervisés pour les tâches de prédiction et de classification binaire, y compris la régression linéaire et la régression logistique.
- Construire et entraîner un réseau neuronal avec TensorFlow pour effectuer une classification multi-classe.
- Appliquer les meilleures pratiques pour le développement de l'apprentissage automatique afin que vos modèles se généralisent aux données et aux tâches dans le monde réel.
- Construire et utiliser des arbres de décision et des méthodes d'ensemble d'arbres, y compris les forêts aléatoires et les arbres boostés.
- Utiliser des techniques d'apprentissage non supervisé pour l'apprentissage non supervisé : y compris le clustering et la détection d'anomalies.
- Construire des systèmes de recommandation avec une approche de filtrage collaboratif et une méthode d'apprentissage profond basée sur le contenu.
- Construire un modèle d'apprentissage par renforcement profond.
