Fondations de l'apprentissage automatique

Analyste de données junior, débutant en ML, étudiant technique — J'entraîne un modèle, je le mesure honnêtement et je sais quand ne pas l'utiliser.

Niveau 2 — technique (Python)

Vous savez déjà écrire du Python et manipuler un dataframe. Vous voulez maintenant savoir ce qu'est un modèle, comment on l'entraîne et pourquoi l'essentiel du travail n'est pas le modèle.

Ce que vous saurez faire

• Poser un problème en régression ou en classification, ou conclure que ce n’en est pas un
• Séparer correctement les données et expliquer pourquoi un jeu de test existe
• Entraîner, régler et comparer des modèles avec scikit-learn
• Lire exactitude, précision, rappel et matrice de confusion sans se tromper soi-même
• Détecter le surapprentissage et les fuites de données dans son propre notebook
• Refuser un cas d’usage où le modèle causerait un préjudice

Modules

• M1 — Comment une machine apprend — Variables, étiquettes, ajustement et l’erreur que l’on minimise.
• M2 — Entraînement et test — Séparations, validation croisée, et pourquoi votre premier score était mensonger.
• M3 — Classification — Problèmes oui/non et les mesures qui comptent.
• M4 — Travail sur les variables — Encodage, mise à l’échelle et les variables que vous créez.
• M5 — Préjudice, biais et refus — Crédit, recrutement, santé : là où un modèle ne doit pas décider seul.

Projet final

Un modèle, mesuré honnêtement — Prenez un problème réel, construisez une référence, entraînez au moins deux modèles, évaluez-les sur des données inédites, comparez par groupe et rédigez ce que vous diriez à un responsable — y compris s'il faut le déployer ou non.

Ce que vous obtenez

• Un modèle entraîné avec une évaluation écrite
• Un profil Kaggle avec des travaux soumis
• Certificat LES Institute — Fondations de l'apprentissage automatique

Prérequis

• Python pour les données, ou expérience équivalente en Python et pandas
• Mathématiques du secondaire, statistiques de base comprises