Overview

Class Central Tips

À partir de l'histoire du machine learning, nous examinons les raisons pour lesquelles les réseaux de neurones fonctionnent si bien de nos jours dans différents problèmes liés à la science des données. Nous évoquons ensuite la façon d'aborder un problème d'apprentissage supervisé et le moyen d'y répondre en utilisant la descente de gradient. Cela implique de créer des ensembles de données menant à une généralisation ; nous évoquons les méthodes pour y parvenir de façon reproductible en utilisant l'expérimentation.

Objectifs du cours :
Identifier les raisons pour lesquelles le deep learning est actuellement en vogue
Optimiser et évaluer les modèles à l'aide des fonctions de perte et des statistiques de performance
Réduire les problèmes courants qui surviennent dans le machine learning
Créer des formations, des évaluations et des ensembles de données tests répétables et évolutifs

Syllabus

Présentation du cours

Dans ce cours, vous acquerrez des connaissances de base sur le machine learning pour comprendre la terminologie que nous employons tout au long de la spécialisation. Nos professionnels Google du machine learning vous montreront également des conseils pratiques et les pièges à éviter, et vous donneront les codes et les connaissances nécessaires pour démarrer vos propres modèles de machine learning.

Améliorer la qualité des données et l'analyse exploratoire des données

Dans ce module, nous allons présenter les problèmes liés à la qualité des données et les méthodes pour l'améliorer. Nous évoquerons ensuite les analyses exploratoires des données.

Machine learning en pratique

Dans ce module, nous allons présenter certains des principaux types de machine learning. Nous passerons également en revue l'histoire du ML, ainsi que les événements l'ayant mené à ce système de pointe qui vous permet de développer rapidement vos connaissances en tant qu'utilisateur du ML.

Optimisation

Dans ce module, nous vous expliquerons comment optimiser vos modèles de machine learning.

Généralisation et échantillonnage

À présent, il est temps de répondre à une question plutôt étrange : dans quelle situation le modèle de ML le plus précis n'est-il pas le meilleur choix ? Comme indiqué dans le dernier module sur l'optimisation, la raison repose simplement sur le fait suivant : si un modèle dispose d'une métrique de perte de 0 pour l'ensemble de données d'entraînement, cela ne signifie pas qu'il fonctionnera correctement sur de nouvelles données dans le monde réel. Vous apprendrez à créer des ensembles de données d'entraînement, d'évaluation et de test reproductibles et à établir des références en matière de performances.