Python est une compétence de base dans l'apprentissage automatique, et ce cours vous équipe avec les outils pour l'appliquer efficacement. Vous apprendrez les concepts clés de l'apprentissage automatique, construirez des modèles avec Scikit-learn et acquerrez une expérience pratique en utilisant les Bloc-notes Jupyter.

Faites décoller votre carrière cet été grâce à des cours dispensés par Google, IBM et bien d'autres, pour 190 €/an. Économisez maintenant.


Apprentissage automatique avec Python
Ce cours fait partie de plusieurs programmes.
Enseigné en Français (doublage IA)


Instructeurs : Joseph Santarcangelo
559 459 déjà inscrits
Inclus avec
(17,442 avis)
Expérience recommandée
Ce que vous apprendrez
Expliquer les concepts clés, les outils et les rôles impliqués dans l'apprentissage automatique, y compris les techniques d'apprentissage supervisé et non supervisé.
Appliquer les algorithmes de base de l'apprentissage automatique tels que la régression, la classification, le clustering et la réduction de dimensionnalité en utilisant Python et Scikit-learn.
Évaluer les performances du modèle en utilisant des mesures appropriées, des stratégies de validation et des techniques d'optimisation.
Construisez et évaluez des solutions d'apprentissage automatique de bout en bout sur des ensembles de données du monde réel grâce à des laboratoires, des projets et des évaluations pratiques.
Compétences que vous acquerrez
- Catégorie : Analyse de régression
- Catégorie : Apprentissage supervisé
- Catégorie : Arbre de classification et de régression (CART)
- Catégorie : Réduction de dimensionnalité
- Catégorie : Arbre de décision
- Catégorie : Scikit-learn (Bibliothèque d'Apprentissage automatique)
- Catégorie : Modélisation statistique
- Catégorie : Apprentissage non supervisé
- Catégorie : Ingénierie des caractéristiques
- Catégorie : Apprentissage automatique
- Catégorie : Modélisation prédictive
- Catégorie : Apprentissage automatique appliqué
Détails à connaître

Ajouter à votre profil LinkedIn
15 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable auprès de IBM

Il y a 6 modules dans ce cours
Dans ce module, vous explorerez les concepts fondamentaux de l'apprentissage automatique qui vous préparent à la modélisation pratique avec Python. Vous expliquerez la pertinence de Python et de Scikit-learn dans l'apprentissage automatique, résumerez le parcours de certification IBM IA Engineering et classerez les types courants d'algorithmes d'apprentissage. Vous présenterez les étapes du cycle de vie du modèle d'apprentissage automatique et décrirez à quoi ressemble une journée type pour un ingénieur en apprentissage automatique. Vous comparerez également les rôles clés dans le domaine de l'IA, identifierez les outils Open Source largement utilisés et apprendrez à utiliser Scikit-learn pour construire et évaluer des modèles simples.
Inclus
8 vidéos2 lectures2 devoirs1 plugin
Dans ce module, vous explorerez deux techniques de régression essentielles utilisées dans l'Apprentissage automatique : la régression linéaire et la régression logistique. Vous expliquerez le rôle de la régression dans la prédiction des résultats, décrirez les différences entre la régression linéaire simple et multiple, et appliquerez les deux à l'aide de Scikit-learn sur des données réelles. Vous interpréterez également comment les modèles de régression polynomiale et non linéaire capturent des modèles complexes. Le module présente la régression logistique en tant que méthode de classification et vous guide pour former et tester efficacement les modèles de classification. Pour vous aider dans votre apprentissage, vous recevrez un Aide-mémoire : Régression linéaire et logistique qui résume les concepts clés, les formules et les cas d'utilisation.
Inclus
6 vidéos1 lecture3 devoirs3 éléments d'application1 plugin
Dans ce module, vous construirez et évaluerez une gamme de modèles d'Apprentissage automatique supervisé pour résoudre les problèmes de classification et de régression. Vous commencerez par décrire comment les modèles de classification prédisent les résultats catégoriels, et mettrez en œuvre des stratégies de classification multi-classes en cours d'utilisation. Vous explorerez ensuite comment les arbres décisionnels font des prédictions et les appliquerez à des tâches de classification et de régression. Le module couvre également l'utilisation des machines à vecteurs de support (SVM) pour la détection des fraudes, l'application des k plus proches voisins (KNN) pour la classification des clients, et la formation de modèles d'ensemble tels que les Forêts aléatoires et XGBoost pour améliorer la précision et l'efficacité. Vous distinguerez le biais et la variance dans les performances des modèles et explorerez comment les méthodes d'ensemble permettent d'équilibrer ce compromis. Pour vous aider dans votre apprentissage, vous recevrez un Aide-mémoire : Construire des modèles d'Apprentissage supervisé avec des termes clés, des types de modèles et des conseils d'évaluation.
Inclus
6 vidéos1 lecture3 devoirs6 éléments d'application1 plugin
Dans ce module, vous apprendrez comment les techniques d'Apprentissage non supervisé découvrent des modèles cachés dans les données sans utiliser de réponses étiquetées. Vous décrirez les concepts de clustering et appliquerez les K-moyennes à des tâches réelles de segmentation de la clientèle. Vous comparerez également les modèles DBSCAN et HDBSCAN pour identifier les grappes denses dans les données spatiales. Au-delà du clustering, vous explorerez la réduction de dimensionnalité en tant qu'outil de simplification des ensembles de données à haute dimension. Vous appliquerez l'ACP pour découvrir les composants clés et utiliserez des techniques avancées telles que t-SNE et UMAP pour visualiser la structure des données. Pour vous aider dans votre apprentissage, vous recevrez un Aide-mémoire : Construire des modèles d'Apprentissage non supervisé, qui met en évidence les méthodes de base, les cas d'utilisation pratiques et les directives de comparaison.
Inclus
5 vidéos1 lecture3 devoirs4 éléments d'application1 plugin
Dans ce module, vous apprendrez à évaluer l'efficacité des modèles d'apprentissage automatique à l'aide de techniques d'évaluation et de validation standard du secteur. Vous expliquerez les principales mesures de classification et de régression, évaluerez les modèles à l'aide de données réelles et interpréterez les résultats à l'aide d'outils tels que les matrices de confusion et les graphiques d'importance des caractéristiques. Vous explorerez comment évaluer la qualité du clustering dans l'Apprentissage non supervisé et appliquerez la validation croisée pour réduire l'overfitting. Le module présente également des méthodes de régularisation pour améliorer la généralisation des modèles et réduire la complexité des caractéristiques. Enfin, vous construirez des pipelines d'apprentissage automatique complets et les optimiserez avec GridSearchCV, tout en identifiant les pièges courants tels que les fuites de données. Pour vous aider dans votre apprentissage, vous recevrez un Aide-mémoire : Évaluation et validation des modèles d'apprentissage automatique couvrant les métriques clés, les techniques et les stratégies de réglage des modèles.
Inclus
6 vidéos1 lecture3 devoirs5 éléments d'application1 plugin
Dans ce module final, vous appliquerez et démontrerez l'ensemble des compétences que vous avez acquises tout au long du cours. Vous commencerez par un projet pratique utilisant le jeu de données Titanic pour construire et optimiser des modèles de classification en utilisant des pipelines, la validation croisée et l'ajustement des hyperparamètres. Ensuite, vous terminerez le projet final en développant un classificateur de prédiction des précipitations à l'aide de données météorologiques historiques. Cela inclut le nettoyage des données, l'Ingénierie des caractéristiques, la construction de modèles et l'évaluation des modèles. Pour conclure le cours, vous passerez un examen final noté qui testera vos connaissances sur l'ensemble des six modules. Ce module vous donne l'occasion de présenter votre apprentissage dans des contextes à la fois pratiques et théoriques.
Inclus
1 vidéo3 lectures1 devoir3 éléments d'application
Obtenez un certificat professionnel
Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.
Instructeurs


Offert par
En savoir plus sur Apprentissage automatique
- Statut : Essai gratuit
- Statut : Essai gratuit
Arizona State University
- Statut : Essai gratuit
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?




Avis des étudiants
17 442 avis
- 5 stars
75,93 %
- 4 stars
18,68 %
- 3 stars
3,39 %
- 2 stars
0,96 %
- 1 star
1,01 %
Affichage de 3 sur 17442
Révisé le 15 janv. 2025
good course , some part is typical more statistical part shown, even i have good understanding of ML , so new learner will find little typical. rest tutor voice and language is understandable.
Révisé le 1 janv. 2020
could be split in two courses to be given enough focus. it was very condensed and needed more time and explanation in each section. The instructor was very good but more details would have been nice
Révisé le 26 mai 2020
Labs were incredibly useful as a practical learning tool which therefore helped in the final assignment! I wouldn't have done well in the final assignment without it together with the lecture videos!

Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
La popularité de Python dans l'apprentissage automatique découle de sa simplicité, de sa lisibilité et de ses bibliothèques étendues telles que TensorFlow, PyTorch et scikit-learn, qui rationalisent les tâches complexes de ML. Sa communauté active et sa facilité d'intégration avec d'autres langages et outils font également de Python un choix idéal pour le ML.
Les ingénieurs en apprentissage automatique utilisent Python pour développer des algorithmes, prétraiter les données, entraîner des modèles et analyser les résultats. Grâce aux riches bibliothèques et frameworks de Python, ils peuvent expérimenter divers modèles, optimiser les performances et déployer des applications de manière efficace.
Python offre une large gamme de bibliothèques de ML, est convivial pour les débutants et dispose d'un excellent support pour la visualisation des données et l'interprétation des modèles. Il prend également en charge le prototypage rapide, ce qui facilite le test et l'affinement des modèles par rapport à d'autres langages comme C++ ou Java.
Plus de questions
Aide financière disponible,