Entraînez un modèle auquel vous pouvez vous fier, de la question d'affaires jusqu'à une remise qu'une autre personne peut exécuter. Vous créez, étape par étape, un classificateur qui repère les billets à transmettre à un niveau supérieur, et vous le testez honnêtement à chaque étape.
Lisez toutes les leçons sans compte, ou connectez-vous pour vous inscrire et suivre vos progrès.
Inscrivez-vous pour enregistrer les leçons que vous terminez. C'est gratuit.
À la fin de ce cours, vous pourrez :
Un modèle d’apprentissage automatique n’est utile que s’il aide quelqu’un à prendre une meilleure décision, et seulement si son résultat de test est honnête. La plupart des modèles qui échouent le font en silence : le score dans le carnet était élevé parce que les données de test ont fui dans l’entraînement, la mesure ne correspondait pas à la décision, ou personne n’a vérifié une option plus simple.
Ce cours enseigne tout le parcours avec un seul exemple suivi. Larkfield, une boutique en ligne fictive de produits pour la maison et le jardin, veut savoir, dès qu’un billet de soutien arrive, s’il aura besoin d’un agent expérimenté. Vous utilisez les données que vous avez préparées dans le cours de SQL, cette fois pour environ 1 000 clients sur deux ans. Vous commencez par ce qu’est l’apprentissage automatique et par la façon de juger un modèle honnêtement. Puis vous partez d’une règle que n’importe qui pourrait écrire. Vous entraînez des modèles linéaires, des arbres et des ensembles, et vous les comparez avec la même méthode honnête. Vous apprenez aussi quand un modèle simple est le meilleur choix.
À la fin, vous remettez un classificateur de billets à transmettre : un pipeline enregistré qui se charge dans un nouveau processus, une comparaison avec la référence de base, une évaluation sans fuite avec un seuil adapté à la capacité de l’équipe, une analyse des erreurs et une fiche de modèle qui dit à quoi le modèle ne doit pas servir.
Vous avez suivi les cours Python pour l'ingénierie de l'IA en pratique, Mathématiques et statistiques essentielles pour l'IA, et SQL et préparation des données pour l'IA, ou vous avez les mêmes compétences. Il vous faut un compte Google ou Kaggle gratuit pour les carnets (notebooks), ou Python 3.12 ou une version plus récente sur votre ordinateur. Tous les outils sont gratuits.
Cours à suivre avant : Python pour l'ingénierie de l'IA en pratique, Mathématiques et statistiques essentielles pour l'IA, SQL et préparation des données pour l'IA.
Les personnes qui savent préparer des données en Python et qui veulent comprendre l'apprentissage automatique depuis le début, puis entraîner, évaluer et expliquer leurs premiers vrais modèles. Nouveaux diplômés et professionnels qui passent à des rôles en IA.
Vous pouvez étudier les idées de ce cours sans écrire de code. Lisez les modules 1 à 3 (environ 6–7 h), répondez à leurs vérifications des connaissances, et obtenez un certificat des notions gratuit. Vous pourrez revenir à la pratique plus tard.
Les parcours pour les personnes qui dirigent ou utilisent l'IA suivent ce cours de cette façon. Voir les parcours
Des spécialistes de l'IA expérimentés ont conçu ce cours. L'IA nous a aidés à rédiger le contenu; des personnes ont choisi l'approche pédagogique et les exemples, et ont révisé chaque leçon. Les résultats que vous voyez sont les vrais résultats de l'exécution du code. Comment nous créons les cours
Découvrez ce qu'est l'apprentissage automatique, à partir de la façon dont les gens apprennent. Vous voyez pourquoi apprendre à partir d'exemples étiquetés s'appelle l'apprentissage supervisé, et comment l'apprentissage non supervisé trouve des groupes sans étiquettes. Vous apprenez à choisir entre régression, classification, regroupement ou aucun modèle.
Transformez un besoin d'affaires en problème de prédiction. Vous nommez la décision, la cible et le moment de la prédiction, et vous fixez une référence de base simple que tout modèle doit battre.
Apprenez à juger un modèle honnêtement avant d'en créer un. Vous gardez des données séparées pour la pratique, pour la vérification et pour l'examen final. Vous choisissez des mesures adaptées à la tâche, dont la précision, le rappel et le compromis entre les deux.
Entraînez vos premiers modèles. Vous ajustez une droite au nombre de billets par jour, vous transformez des scores en décisions, et vous voyez quels problèmes un pipeline scikit-learn résout avant d'en créer un.
Améliorez un modèle comme le font les praticiens, une expérience mesurée à la fois. Vous découvrez les arbres de décision et vous voyez quand un modèle est trop simple ou trop complexe. Vous apprenez pourquoi des ensembles de nombreux arbres peuvent aider, et ce qu'ils coûtent.
Terminez le modèle. Vous testez quelles caractéristiques aident sans laisser fuir la réponse, vous réglez les hyperparamètres par validation croisée, vous choisissez un seuil adapté à la capacité de l'équipe, et vous ne mesurez le résultat de test qu'une seule fois.
Trouvez où le modèle échoue et pourquoi. Vous comparez des groupes et vous lisez sur quoi le modèle s'appuie, sans confondre cela avec une cause. Vous apprenez quand un modèle simple est le meilleur choix ou le choix obligatoire, et vous explorez les données par regroupement.
Remettez un modèle que d'autres peuvent exécuter et auquel ils peuvent se fier. Vous enregistrez le pipeline complet avec son schéma et ses versions, vous rédigez une fiche de modèle (model card), et vous planifiez les vérifications dont il a besoin en production.
Sept études de cas de bout en bout sur de vraies données publiques, du fichier brut jusqu'à un résultat testé et une recommandation. Deux régressions, trois classifications (régression logistique, arbre de décision et comparaison de quatre familles de modèles) et deux regroupements. Terminez-en au moins une pour obtenir le certificat. Chacune peut entrer dans votre portfolio.
Terminez au moins une étude de cas pour obtenir le certificat. Les autres sont facultatives. Ce que couvre chacune
Utilisez tous les modules dans un projet pratique. Vous recueillez des preuves, puis vous les comparez aux objectifs du cours.
Des projets réalistes du début à la fin, sur de vraies données, avec chaque résultat expliqué. Chacun devient une pièce de votre portfolio. Terminez-en au moins une pour obtenir le certificat; les autres sont facultatives.
Prévoir la demande de vélopartage2 h
Régression sur les locations horaires : fuites de données, séparation temporelle, modèles de Poisson et erreurs par sous-groupe.
Estimer le prix des maisons2 h
Régression sur de vraies ventes de maisons : cible logarithmique, emplacement, valeurs aberrantes et sens d'une erreur de 13 %.
Prédire le défaut de paiement par carte de crédit2 h
Régression logistique avec un seuil fondé sur les coûts, calibration et analyse de l'équité par sous-groupe.
Un arbre de décision qui classe les appels selon la capacité : la fuite de la durée, l'élagage, le gain (lift) et la dérive.
Choisir un modèle pour les réadmissions à l'hôpital2 h
Comparer la régression logistique, un arbre, une forêt et le boosting selon un même protocole, puis choisir.
Segmenter les clients d'une boutique en ligne2 h
Regrouper les clients selon la récence, la fréquence et les dépenses, puis vérifier les groupes avec leurs achats futurs.
Trouver les types d'acheteurs en gros1 h 40 min
Regroupement sur des données de dépenses asymétriques : mise à l'échelle, piège du coefficient de silhouette, ACP et étiquette existante.
D'autres personnes enseignent bien ce sujet. Nous avons choisi ces ressources pour accompagner ce cours. Elles s'ouvrent sur d'autres sites.Voir tous les choix de la communauté
Chargement des avis…
Vous avez suivi ce cours? Connectez-vous pour donner votre avis. Vous pouvez donner un avis après avoir terminé 25 % des leçons.
