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

IBM

Apprentissage automatique avec Python

Ce cours fait partie de plusieurs programmes.

Enseigné en Français (doublage IA)

Joseph Santarcangelo
Jeff Grossman

Instructeurs : Joseph Santarcangelo

559 459 déjà inscrits

Inclus avec Coursera Plus

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7

(17,442 avis)

niveau Intermédiaire

Expérience recommandée

Planning flexible
Env. 20 heures
Apprenez à votre propre rythme
94%
La plupart des étudiants ont apprécié ce cours
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7

(17,442 avis)

niveau Intermédiaire

Expérience recommandée

Planning flexible
Env. 20 heures
Apprenez à votre propre rythme
94%
La plupart des étudiants ont apprécié ce cours

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

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

15 devoirs

Enseigné en Français (doublage IA)

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

 logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours est disponible dans le cadre de
Lorsque vous vous inscrivez à ce cours, vous devez également sélectionner un programme spécifique.
  • 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

Évaluations de l’enseignant
4.7 (3,262 évaluations)
Joseph Santarcangelo
IBM
35 Cours1 997 286 apprenants
Jeff Grossman
IBM
3 Cours618 080 apprenants

Offert par

IBM

En savoir plus sur Apprentissage automatique

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’
Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’
Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’
Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Avis des étudiants

4.7

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

RV
5

Révisé le 15 janv. 2025

CA
4

Révisé le 1 janv. 2020

RN
5

Révisé le 26 mai 2020

Coursera Plus

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