Introduction au Machine Learning

Par Anani DJATO Catégories : Numérique
Liste de souhaits Partager
Partager le cours
Lien de la page
Partager sur les réseaux sociaux

À propos du cours

Le domaine de la Data Science vous intéresse et vous souhaitez vous initier à cette discipline en pleine expansion ? Ce cours d’introduction au Machine Learning est spécialement conçu pour vous.

Le Machine Learning englobe un ensemble de techniques utilisées par les experts en Data Science et a attiré beaucoup d’attention ces dernières années en raison de ses multiples applications et de son potentiel prometteur.

Dans ce cours, vous découvrirez comment fonctionne le Machine Learning et vous comprendrez pourquoi il est très utilisé ces dernières années. Vous serez guidé dans votre apprentissage en vous concentrant sur les concepts essentiels.

Que vous soyez novice dans le domaine de l’apprentissage automatique ou que vous souhaitiez consolider vos connaissances, ce cours d’introduction vous fournira les bases essentielles du Machine Learning, indispensables pour faire une carrière dans le domaine de la Data Science.

Rejoignez-nous dès maintenant et plongez dans le monde passionnant du Machine Learning !

Afficher plus

Qu’allez-vous apprendre ?

  • Comprendre le Machine Learning
  • Comprendre son positionnement au sein de la Data Science
  • Explorer et identifier les différentes opportunités offertes par le Machine Learning

Contenu du cours

C’est quoi le Machine Learning ?
Avant de commencer par définir ce qu’est le machine learning (ou apprentissage automatique si nous traduisons en langue française) et comment il fonctionne, nous allons d’abord chercher à comprendre pourquoi il est utilisé. Les êtres humains font face quotidiennement à des problèmes qu’ils cherchent à résoudre. Par exemple : comment construire un pont plus solide ? Comment augmenter nos bénéfices ? Comment éliminer le cancer ? Ou quelle route emprunter pour arriver au travail plus rapidement ? Pour nous aider, nous êtres humains, dans nos recherches, nous avons inventé l’ordinateur, qui permet de résoudre très rapidement des calculs qui nous prendraient des millions d’années à effectuer. Cependant, n’oublions pas qu’un ordinateur ne sait résoudre que les calculs que nous lui donnons. A partir de là, nous avons deux situations possibles : Nous connaissons le calcul à effectuer pour résoudre notre problème. Dans ce cas, nous entrons ce calcul dans l’ordinateur, c’est ce qu’on appelle la programmation, et l’ordinateur nous donne le résultat. Exemple : Déterminer la structure d’un pont. Nous ne connaissons pas le calcul qui résout notre problème. Dans ce cas, nous sommes bloqués. Il est impossible de donner à un ordinateur un calcul que nous ne connaissons pas. C’est comme vouloir envoyer un colis que nous n’avons pas. Exemples : Reconnaître un visage sur une photo, prédire le cours de la Bourse, éliminer le cancer, composer de la musique, conduire une voiture, …. Devons-nous donc perdre tout espoir de voir un jour un ordinateur nous aider dans la lutte contre le cancer ? Bien sûr que non ! Le Machine Learning a justement été inventé pour venir débloquer la deuxième situation (quand nous ne connaissons pas le calcul) en utilisant une technique d’apprentissage que nous allons voir tout de suite.

  • C’est quoi le Machine Learning ?
    00:22

Différents types de systèmes de Machine learning
Il existe plusieurs types de systèmes de Machine Learning. Les types les plus efficients d’algorithmes de Machine Learning sont ceux qui automatisent des processus de prise de décision en généralisant des données fournies à partir d’exemples connus, c’est l’apprentissage supervisé. Voyons en détails ce type d'algorithme de Machine Learning.

Différentes étapes d’un projet de Machine learning
Le processus du Machine Learning est constitué de plusieurs étapes

Principales difficultés de ce domaine en plein essor
Nous savons que notre principale tâche consiste à sélectionner un algorithme d’apprentissage et à l’entraîner sur certaines données. Les deux écueils peuvent être un “mauvais algorithme” et de “mauvaises données”. Voici quelques exemples de mauvaises données :

Conclusion

Quizz

Notes et avis de l’apprenant

Encore aucun avis !
Encore aucun avis !