Le cours offre aux participants une solide introduction au domaine de l'apprentissage automatique, en introduisant les concepts, techniques et algorithmes de base utilisés dans la discipline. Le cours explore les types d'approches de l'apprentissage automatique, telles que l'apprentissage supervisé, non supervisé et par récompense, ainsi que les différents algorithmes utilisés dans le développement de solutions basées sur l'apprentissage automatique. Les participants découvriront la gestion des données, l'infrastructure nécessaire et comment évaluer et mettre en œuvre des solutions d'apprentissage automatique dans différents contextes.
Le cours s'adresse aux personnes qui souhaitent se familiariser avec les concepts et techniques de base du machine learning, sans nécessiter d'expérience préalable dans le domaine. Ce cours s'adresse aux étudiants, aux professionnels de l'informatique, aux analystes de données, aux chercheurs et à toute personne intéressée par la compréhension et l'application de l'apprentissage automatique dans différents contextes. Les connaissances acquises dans ce cours serviront de base solide pour une exploration plus approfondie du domaine de l'apprentissage automatique et de l'intelligence artificielle.
Après avoir suivi ce cours, les participants acquerront des connaissances et des compétences telles que :
• Comprendre les concepts et principes de base de l'apprentissage automatique, tels que l'apprentissage supervisé, non supervisé et avec récompense, ainsi que les approches et types associés.
• Familiarité avec les algorithmes et modèles fondamentaux de l'apprentissage automatique, tels que la classification, la régression, le clustering et la réduction de dimensionnalité, pour résoudre des problèmes spécifiques.
• Comprendre les risques et les défis liés à l'utilisation de l'apprentissage automatique, notamment les problèmes de biais, d'interprétabilité des modèles et de confidentialité des données.
• Gérer l'infrastructure de données et d'apprentissage automatique pour former des modèles d'apprentissage automatique et gérer les ressources nécessaires pour mettre en œuvre efficacement le processus d'apprentissage automatique.
• Choisir et évaluer des modèles d'apprentissage automatique appropriés pour divers problèmes et ensembles de données et comparer les performances des modèles.
Ce cours ne nécessite aucune connaissance technique.
• Introduction à l'apprentissage automatique
• Approches et types d'apprentissage automatique : apprentissage supervisé, apprentissage non supervisé, apprentissage par récompense
• Algorithmes fondamentaux en machine learning : classification, régression, clustering, réduction de dimensionnalité
• Gestion des données et infrastructure pour l'apprentissage automatique
• Sélection et évaluation des modèles
• Introduction à l'apprentissage profond
• Applications pratiques et études de cas
• Risques et défis liés à l'utilisation de l'apprentissage automatique
Le cours n'est associé à aucun programme de certification.
