机器学习的艺术和科学 – 法语版

课程概况

Bienvenue dans cette formation sur l’art et la science du machine learning. Dans ce cours, vous allez acquérir les compétences essentielles que requiert le ML : intuition, discernement et capacités d’expérimentation. De cette façon, vous pourrez ajuster précisément vos modèles de ML et les améliorer pour obtenir des performances optimales.

Ce cours vous présente les nombreux mécanismes intervenant dans l’entraînement d’un modèle. Vous commencerez par les ajuster manuellement pour observer leurs effets sur les performances du modèle. Une fois que vous serez familiarisé avec ces mécanismes, également appelés “hyperparamètres”, vous apprendrez à les régler automatiquement avec Cloud Machine Learning Engine sur Google Cloud Platform.

课程大纲

Introduction

Cette présentation du cours met l'accent sur les principaux objectifs et modules. Vous commencerez par découvrir les aspects du machine learning qui requièrent de l'intuition, du discernement et des capacités d'expérimentation. Nous appelons cela "l'art du ML". Vous découvrirez les nombreux mécanismes intervenant dans l'entraînement d'un modèle. Vous les ajusterez manuellement pour observer leurs effets sur les performances du modèle.

L'art du ML

Ce cours va vous permettre de découvrir l'art du machine learning. Nous étudierons les aspects du machine learning qui requièrent de l'intuition, du discernement et des capacités d'expérimentation pour trouver le compromis idéal qui permet d'obtenir des résultats satisfaisants. (Nous vous prévenons d'ores et déjà : il n'existe jamais de solution parfaite.)

Réglages des hyperparamètres

Dans ce module, vous allez apprendre à différencier les paramètres des hyperparamètres. Nous étudierons ensuite l'approche traditionnelle de la recherche par grille, et découvrirons comment aller plus loin en utilisant des algorithmes plus intelligents. Enfin, nous verrons dans quelle mesure Cloud ML Engine facilite l'automatisation des réglages d'hyperparamètres.

Un zeste de science

Dans ce module, nous allons découvrir que le machine learning est non seulement un art, mais également une science. Nous commencerons par étudier comment procéder à une régularisation à des fins de parcimonie, de façon à obtenir des modèles plus simples et plus concis. Nous aborderons ensuite la régression logistique, et apprendrons à évaluer les performances.

La science des réseaux de neurones

Dans ce module, nous allons plonger plus profondément dans l'univers de la science, en particulier avec les réseaux de neurones.

Représentations vectorielles continues

Dans ce module, vous allez apprendre à utiliser les représentations vectorielles continues pour gérer les données éparses, et pour faire en sorte que les modèles de machine learning utilisant ce type de données consomment moins de mémoire et s'entraînent plus rapidement. Les représentations vectorielles continues permettent également de réduire les dimensions, ce qui contribue à simplifier les modèles et à les rendre plus généralisables.

Instance Estimator personnalisée

Dans ce module, nous ne nous limiterons pas aux instances Estimator standardisées, et nous créerons une classe Estimator personnalisée. Vous pourrez ainsi mieux contrôler la fonction même du modèle.

Récapitulatif

Examinez les principaux concepts abordés dans le cours sur l'art et la science du ML.