Les modèles d’apprentissage automatique donnent rarement de bons résultats s’ils ne font pas l’objet d’une conception, d’une évaluation et d’une optimisation minutieuses. Dans cette formation, vous apprendrez à construire des modèles d’apprentissage automatique et à améliorer systématiquement leurs performances à l’aide de pratiques d’ingénierie éprouvées.

Vous commencerez par apprendre à mettre en correspondance des problèmes métier avec des tâches d’apprentissage automatique appropriées, puis à entraîner plusieurs types de modèles à l’aide de bibliothèques d’apprentissage automatique courantes. Vous explorerez le comportement de différents algorithmes dans des conditions de données variées et apprendrez à justifier vos choix de modèles en fonction des compromis entre performances et biais-variance. Ensuite, vous optimiserez les modèles grâce à un réglage systématique des hyperparamètres et évaluerez le coût de calcul des différents algorithmes afin de choisir des solutions efficaces. Vous apprendrez également des techniques de validation telles que la validation croisée et l’échantillonnage stratifié pour estimer de manière fiable les performances des modèles. Le cours se termine par une présentation de l’automatisation des workflows d’apprentissage automatique. Vous construirez des pipelines de bout en bout qui rationalisent l’ingénierie des caractéristiques, l’entraînement des modèles et l’optimisation, afin que les expériences puissent être reproduites et améliorées efficacement. À l’issue de ce cours, vous saurez concevoir, optimiser et valider des modèles d’apprentissage automatique prêts à être intégrés dans des systèmes d’apprentissage automatique à plus grande échelle.