Introduction à l'apprentissage automatique — le cours

Un cours gratuit et bilingue d'apprentissage automatique à suivre à votre rythme : vidéos courtes, lectures libres, un classificateur que vous entraînez vous-même et un suivi de progression. Sans programmation.

Leçons, vidéos et lectures

• ML1 — Règles, exemples, motifs — Personne ne peut écrire une règle pour chaque visage, chaque écriture ou chaque client. L'apprentissage automatique remplace la règle par suffisamment d'exemples. Cette première leçon vous donne cette idée et ses limites honnêtes.
  Elements of AI — Chapitre 1 : Qu’est-ce que l’IA ? — University of Helsinki · Machine Learning Crash Course — Cadrage du problème — Google
• ML1 — Les cinq mots à connaître — Données, variable, étiquette, modèle, prédiction. Cinq mots qui vous permettent de suivre n'importe quelle réunion, n'importe quelle offre commerciale et toutes les leçons suivantes sans acquiescer à ce que vous ne comprenez pas.
  Glossaire de l’apprentissage automatique — Google · Elements of AI — Chapitre 2 : Résolution de problèmes — University of Helsinki
• ML2 — Prédiction, regroupement, ou ni l’un ni l’autre — Presque tout projet honnête d'apprentissage automatique prend l'une de deux formes. La troisième catégorie — les décisions sur l'emploi, le crédit, la santé ou la discipline d'une personne — est celle où l'on s'arrête et où l'humain reste responsable.
  Apprentissage supervisé et non supervisé, expliqué simplement — Google · Elements of AI — Chapitre 4 : Apprentissage automatique — University of Helsinki
• ML3 — De votre cahier à un tableau — Un modèle n'apprend que de ce que vous avez noté. Cette leçon transforme de vrais registres de ventes, de stock, de présences ou de demandes en lignes et colonnes, et montre l'effet de données sales sur un résultat.
  Préparation des données et qualité des variables — Google · Construire un tableau de données propre dans un tableur — LES Institute
• ML4 — Entraînez votre premier classificateur — Trente photos par classe, un navigateur, aucun code. Vous entraînez un classificateur d'images qui fonctionne, puis vous le cassez volontairement pour voir comment un modèle échoue.
  Teachable Machine — entraîner un modèle d’images — Google · Jeux d'entraînement et de test — pourquoi ils doivent différer — Google
• ML5 — Pourquoi 95 % de précision peut ne rien valoir — La précision est le chiffre que citent les prestataires et celui qui cache le plus. Vous apprenez à demander quelles sont les erreurs, sur qui elles tombent et ce que chacune coûte.
  Classification : exactitude, précision, rappel — Google · Équité et biais dans les jeux de données — Google
• ML6 — Modèle, règle, ou rien — et la note d’une page — La dernière leçon transforme le cours en décision. La plupart du temps la réponse est une règle et un tableur, et le dire est le résultat professionnel. Puis vous rédigez la note exploitable par un développeur ou un prestataire.
  Décider si l'apprentissage automatique est le bon outil — Google · Elements of AI — Chapitre 6 : Implications — University of Helsinki