Launching into Machine Learning en Français

Overview

Class Central Tips

Au début de ce cours, vous trouverez une discussion concernant les données, expliquant comment améliorer leur qualité et comment effectuer des analyses exploratoires. Ensuite, nous vous présenterons Vertex AI AutoML et vous expliquerons comment créer, entraîner et déployer un modèle de machine learning (ML) sans écrire une ligne de code. Vous découvrirez également les avantages de BigQuery ML. Enfin, nous verrons comment optimiser un modèle de ML, et en quoi la généralisation ainsi que l'échantillonnage peuvent vous aider à évaluer la qualité des modèles de ML destinés à un entraînement personnalisé.

Syllabus

Présentation

Ce module présente le cours et ses objectifs.

Familiarisation : effectuer une analyse exploratoire des données pour les améliorer

Dans ce module, nous verrons comment améliorer la qualité de nos données et effectuer une analyse exploratoire de celles-ci. Nous évoquerons également l'importance du nettoyage de données en machine learning et son impact sur la qualité. Sachez par exemple que des valeurs manquantes peuvent fausser les résultats. Enfin, vous découvrirez pourquoi il est primordial d'explorer vos données. Une fois l'ensemble de données nettoyé, vous effectuerez une analyse exploratoire de celui-ci.

Le machine learning en pratique

Dans ce module, nous vous présenterons quelques-uns des principaux types de machine learning pour que vous puissiez progresser plus rapidement en tant qu'utilisateur du ML.

Entraîner des modèles AutoML à l'aide de Vertex AI

Dans ce module, nous verrons comment entraîner des modèles AutoML à l'aide de Vertex AI.

BigQuery Machine Learning : développer des modèles de ML dans l'espace de stockage de vos données

Dans ce module, nous vous présenterons BigQuery ML et ses fonctionnalités.

Optimisation

Dans ce module, nous vous apprendrons à optimiser vos modèles de ML.

Généralisation et échantillonnage

Il est maintenant temps de répondre à une question plutôt bizarre : dans quels cas ne faut-il pas choisir le modèle de ML le plus précis ? Comme brièvement évoqué dans le module précédent sur l'optimisation, un modèle présentant une métrique de perte égale à zéro pour votre ensemble de données d'entraînement ne sera pas forcément efficace sur de nouvelles données réelles. Dans ce module, vous apprendrez à créer des ensembles de données d'entraînement, d'évaluation et de test reproductibles, ainsi qu'à définir des benchmarks de performances.