走进机器学习 – 法语版

课程概况

Après avoir présenté un historique du machine learning, nous étudierons pourquoi les réseaux de neurones sont aujourd’hui parfaitement adaptés à diverses problématiques. Nous apprendrons ensuite à définir un problème d’apprentissage supervisé et à trouver une solution adaptée à l’aide d’une descente de gradient. Ce processus implique la création d’ensembles de données permettant la généralisation. Nous examinerons comment procéder à cette opération de façon reproductible de sorte que l’expérimentation soit possible.

Objectifs du cours :
Déterminer pourquoi le deep learning est désormais si courant
Optimiser et évaluer des modèles en utilisant des fonctions de perte et des statistiques de performances
Corriger les problèmes courants liés au machine learning
Créer des ensembles de données de formation, d’évaluation et de test reproductibles et évolutifs

课程大纲

Introduction

Dans ce cours, nous vous enseignerons les connaissances fondamentales en matière de ML pour que vous puissiez comprendre la terminologie que nous utiliserons au cours de cette spécialisation. Grâce aux spécialistes du machine learning de Google, vous découvrirez également des astuces pratiques, ainsi que les écueils à éviter. À la fin du cours, vous disposerez du code et des connaissances nécessaires pour lancer vos propres modèles de ML.

Le machine learning en pratique

Dans ce module, nous vous présentons certains des principaux types de machine learning et aborderons son histoire, des débuts jusqu'à l'apogée. Vous pourrez ainsi rapidement vous familiariser avec le ML.

Optimisation

Dans ce module, nous vous guidons sur la voie qui vous permettra d'optimiser vos modèles de ML.

Généralisation et échantillonnage

Penchons-nous maintenant sur une question un peu particulière : dans quelles conditions est-il préférable de ne pas choisir le modèle ML le plus précis ? Comme nous en avons déjà parlé lors du module précédent sur l'optimisation, ce n'est pas parce que le modèle appliqué à un ensemble de données d'apprentissage présente un taux de perte égal à zéro qu'il sera performant pour de nouvelles données réelles.

Résumé