Fondamentaux de l'intelligence artificielle et de l'apprentissage automatique : méthodes fondamentales de la science des données
Artificial Intelligence
| Intermédiaire
- 12 vidéos | 41m 50s
- Inclut une appréciation
- Obtient un badge
Les méthodes de la science des données sont utilisées dans plusieurs secteurs pour apporter de la valeur aux entreprises. L'apprentissage automatique est une méthode de science des données qui utilise des algorithmes de prédiction pour trouver des modèles dans des quantités massives de données, ce qui permet aux machines de prédire des résultats et de prendre des décisions avec une intervention humaine minimale. Grâce à ce cours, vous apprendrez les méthodes fondamentales pour utiliser l'apprentissage automatique. Dans ce cours, vous examinerez ce qu'est l'apprentissage automatique, comment il est catégorisé et passerez en revue quelques cas d'utilisation quotidienne de l'apprentissage automatique supervisé et non supervisé. Vous découvrirez ensuite l'ingénierie des fonctionnalités et ses répercussions sur les performances du modèle. Ensuite, vous vous concentrerez sur les types courants de tâches d'apprentissage automatique, telles que le regroupement, la classification et la régression linéaire simple et multiple. Enfin, nous explorerons les différents défis de l'apprentissage automatique et la manière de les surmonter. À l'issue de ce cours, vous serez en mesure de définir l'apprentissage automatique et les méthodes pour l'utiliser.
CE QUE VOUS ALLEZ APPRENDRE
-
Découvrir les concepts clés abordés dans ce cours
Identifier les cas d'utilisation de l'apprentissage automatique et différencier l'apprentissage automatique supervisé et non supervisé
Décrire le processus d'ingénierie des fonctionnalités et ses répercussions sur les performances du modèle
Décrire les regroupements et différencier leurs avantages et leurs inconvénients
Répertorier les éléments à prendre en compte pour évaluer la précision d'un algorithme de regroupement
Identifier les utilisations de la classification et nommer les classificateurs courants -
Énumérer les éléments à prendre en compte pour évaluer la précision d'un modèle de classification
Décrire la régression, ses avantages et ses défis
Nommer des cas d'utilisation de la régression linéaire simple
Expliquer comment utiliser la régression linéaire multiple
Dresser la liste des défis courants en matière d'apprentissage automatique
Résumer les concepts clés abordés dans ce cours
EN SUIVANT CE COURS
-
44s
-
9m 26s
-
3. Ingénierie des fonctionnalités5m 48sDans cette vidéo, nous décrirons le processus d'ingénierie des fonctionnalités et ses répercussions sur les performances du modèle. ACCÈS GRATUIT
-
4. Regroupement3m 55s
-
5. Évaluation de la précision de l'algorithme de regroupement4m 31s
-
6. Classification4m 6s
-
7. Évaluation de la précision du modèle de classification2m 30s
-
8. Régression1m 28s
-
9. Régression linéaire simple3m 17s
-
10. Régression linéaire multiple1m 37s
-
11. Les défis de l'apprentissage automatique4m 2s
-
12. Résumé du cours26s
GAGNEZ UN BADGE NUMÉRIQUE QUAND VOUS AUREZ TERMINÉ CE COURS
Skillsoft vous offre la possibilité d’obtenir un badge numérique à l’issue de certains de nos cours, qui peut être partagé sur n’importe quels réseau social ou plate-forme professionnelle.
Les badges numériques vous appartiennent, pour toujours.CE CONTENU POURRAIT ÉGALEMENT VOUS INTÉRESSER
Notation 4.0 sur 1 utilisateurs
(1)
