Il est utile d'avoir des connaissances de base en apprentissage automatique, notamment en ce qui concerne l'entraînement des modèles et l'interprétation des résultats d'évaluation. Ce cours s'adressant à un public de niveau intermédiaire, il part du principe que vous êtes prêt à vous concentrer sur la reproductibilité, la stabilité et la documentation rigoureuse de vos modèles, plutôt que d'apprendre l'apprentissage automatique à partir de zéro.

Ce cours utilise scikit-learn pour mettre en place des pipelines de caractéristiques reproductibles, ainsi que des outils basés sur PyTorch pour le diagnostic et l'optimisation de l'entraînement. Il présente également les « model cards » et les audits éthiques structurés dans le cadre d'un développement responsable de l'IA.

Vous mettrez en place des workflows reproductibles de préparation des données, évaluerez et comparerez les résultats des modèles, diagnostiquerez les instabilités lors de l'entraînement et ajouterez des contrôles permettant de sauvegarder l'état du modèle le plus performant. Vous rédigerez également la documentation relative aux modèles et effectuerez des examens axés sur l'éthique afin que le workflow soit non seulement utilisable, mais aussi clairement délimité et traçable.

Pour accéder aux supports de cours et aux devoirs, et obtenir un certificat, vous devrez acheter l'option « Certificat » lors de votre inscription à un cours. Les apprenants éligibles peuvent également avoir la possibilité de commencer par un essai gratuit. Certains cours peuvent également proposer une option « Cours complet, sans certificat ». Celle-ci vous permet d’accéder aux supports de cours, de rendre les évaluations requises et d’obtenir une note finale, mais vous ne pourrez ni obtenir ni acheter de certificat.