|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/launching-machine-learning-fr
课程评论：没有评论
课程名称：法语机器学习导论 课程概述：本课程从机器学习的历史入手，探讨了神经网络在当前不同数据科学相关问题中表现优异的原因。接着，我们将讨论如何处理监督学习问题，并利用梯度下降法进行解决。这包括创建数据集以实现模型的泛化，我们还会介绍使用实验方法实现可重复性的技巧。 课程目标： - 识别深度学习流行的原因 - 使用损失函数和性能统计来优化和评估模型 - 解决机器学习中常见的问题 - 创建可重复和可扩展的训练、评估和测试数据集 课程大纲： 1. **介绍**：本模块介绍课程及其目标。 2. **熟悉数据：进行数据的探索性分析以提高数据质量**：本模块讲述如何改善数据质量，进行数据的探索性分析，以及清洗数据在机器学习中的重要性，强调了缺失值对结果的影响。您还将学习如何探索清洗后的数据集。 3. **机器学习实战**：本模块介绍一些主要类型的机器学习，帮助您更快地成为机器学习的用户。 4. **使用 Vertex AI 训练 AutoML 模型**：本模块讲授如何使用 Vertex AI 训练 AutoML 模型。 5. **BigQuery 机器学习：在数据存储空间中开发机器学习模型**：本模块介绍 BigQuery ML 及其功能。 6. **优化**：本模块将教授您如何优化机器学习模型。 7. **泛化与采样**：本模块探讨在什么情况下不应选择最精确的机器学习模型。学习如何创建可重复的训练、评估和测试数据集，并定义性能基准。 通过本课程的学习，您将能够深入理解机器学习的基础知识和应用，提高在该领域的实际操作能力。
Name:Présentation
Description:Ce module présente le cours et ses objectifs.
Name:Familiarisation : effectuer une analyse exploratoire des données pour les améliorer
Description:Dans ce module, nous verrons comment améliorer la qualité de nos données et effectuer une analyse exploratoire de celles-ci. Nous évoquerons également l'importance du nettoyage de données en machine learning et son impact sur la qualité. Sachez par exemple que des valeurs manquantes peuvent fausser les résultats. Enfin, vous découvrirez pourquoi il est primordial d'explorer vos données. Une fois l'ensemble de données nettoyé, vous effectuerez une analyse exploratoire de celui-ci.
Name:Le machine learning en pratique
Description:Dans ce module, nous vous présenterons quelques-uns des principaux types de machine learning pour que vous puissiez progresser plus rapidement en tant qu'utilisateur du ML.
Name:Entraîner des modèles AutoML à l'aide de Vertex AI
Description:Dans ce module, nous verrons comment entraîner des modèles AutoML à l'aide de Vertex AI.
Name:BigQuery Machine Learning : développer des modèles de ML dans l'espace de stockage de vos données
Description:Dans ce module, nous vous présenterons BigQuery ML et ses fonctionnalités.
Name:Optimisation
Description:Dans ce module, nous vous apprendrons à optimiser vos modèles de ML.
Name:Généralisation et échantillonnage
Description:Il est maintenant temps de répondre à une question plutôt bizarre : dans quels cas ne faut-il pas choisir le modèle de ML le plus précis ? Comme brièvement évoqué dans le module précédent sur l'optimisation, un modèle présentant une métrique de perte égale à zéro pour votre ensemble de données d'entraînement ne sera pas forcément efficace sur de nouvelles données réelles. Dans ce module, vous apprendrez à créer des ensembles de données d'entraînement, d'évaluation et de test reproductibles, ainsi qu'à définir des benchmarks de performances.
À partir de l'histoire du machine learning, nous examinons les raisons pour lesquelles les réseaux de neurones fonctionnent si bien de nos jours dans différents problèmes liés à la science des données. Nous évoquons ensuite la façon d'aborder un problème d'apprentissage supervisé et le moyen d'y répondre en utilisant la descente de gradient. Cela implique de créer des ensembles de données menant à une généralisation ; nous évoquons les méthodes pour y parvenir de façon reproductible en utilisant l'expérimentation. Objectifs du cours : Identifier les raisons pour lesquelles le deep learning est actuellement en vogue Optimiser et évaluer les modèles à l'aide des fonctions de perte et des statistiques de performance Réduire les problèmes courants qui surviennent dans le machine learning Créer des formations, des évaluations et des ensembles de données tests répétables et évolutifs
