AVC Machine Learning - En Ligne

- Introduction au cours.

- Objectifs d'apprentissage

- L'émergence de l'Intelligence Artificielle

- L'intelligence artificielle en pratique

- Films de science-fiction avec le concept d'IA

- Systèmes de recommandation

- Relation entre l'intelligence artificielle, l'apprentissage automatique et la science des données - Partie A

- Relation entre l'intelligence artificielle, l'apprentissage automatique et la science des données - Partie B

- Définition et caractéristiques de l'apprentissage automatique

- Approches d'apprentissage automatique

- Techniques d'apprentissage automatique

- Applications de l'apprentissage automatique - Partie A

- Applications de l'apprentissage automatique - Partie B

- Points clés

- Objectif d'apprentissage

- Exploration des données : Chargement des fichiers

- Démonstration : Importation et stockage des données

- Pratique : Exploration des données automobiles I

- Techniques d'exploration des données : Partie 1

- Techniques d'exploration des données : Partie 2

- Seaborn

- Démonstration : Analyse de corrélation

- Pratique : Exploration des données automobiles II

- Manipulation des données

- Valeurs manquantes dans un jeu de données

- Valeurs aberrantes dans un ensemble de données

- Démonstration : Traitement des valeurs aberrantes et manquantes

- Pratique : Exploration des données III

- Manipulation des données

- Fonctionnalités de l'objet Data en Python : Partie A

- Fonctionnalités de l'objet Data en Python : Partie B

- Différents types de jointures

- Changement de type

- Démonstration : Comparaison des heures de travail

- Pratique : Manipulation de données

- Points clés

- Projet de fin de leçon : Stockage des résultats de tests

- Objectifs d'apprentissage

- Apprentissage supervisé

- Apprentissage supervisé - Scénario de la vie réelle

- Comprendre l'algorithme

- Flux d'apprentissage supervisé

- Types d'apprentissage supervisé – Partie A

- Types d'apprentissage supervisé – Partie B

- Types d'algorithmes de classification

- Types d'algorithmes de régression - Partie A

- Cas d'utilisation de régression

- Métriques de précision

- Fonction de coût

- Évaluation des coefficients

- Démonstration : Régression linéaire

- Pratique : Maisons à Boston I

- Défis de la prévision

- Types d'algorithmes de régression - Partie B

- Démo : Bigmart

- Pratique : Boston Homes II

- Régression Logistique - Partie A

- Régression Logistique - Partie B

- Probabilité sigmoïde

- Matrice de précision

- Démonstration : Survie des passagers du Titanic

- Pratique : Espèces d'Iris

- Points clés

- Projet de fin de leçon : Coût de l'assurance maladie

- Objectifs d'apprentissage

- Sélection de caractéristiques

- Régression

- Analyse factorielle

- Processus d'analyse factorielle

- Analyse en Composantes Principales (ACP)

- Premier composant principal

- Valeurs propres et ACP

- Démonstration : Réduction des fonctionnalités

- Pratique : Transformation ACP

- Analyse discriminante linéaire

- Ligne maximale séparable

- Trouver la ligne de séparation maximale

- Démonstration : Réduction de caractéristiques étiquetées

- Pratique : Transformation LDA

- Points clés

- Projet de fin de leçon : Simplification du traitement du cancer

- Objectifs d'apprentissage

- Aperçu de la classification

- Classification : Un algorithme d'apprentissage supervisé

- Cas d'utilisation

- Algorithmes de classification

- Arbre de décision : Classificateur

- Arbre de décision : Exemples

- Arbre de décision : Formation

- Choisir le classificateur

- Surajustement des arbres de décision

- Classificateur Forêt Aléatoire - Agrégation et Bootstrap

- Arbre de décision et classificateur de forêts aléatoires

- Mesures de performance : Matrice de confusion

- Mesures de performance : Matrice des coûts

- Démo : Survie du cheval

- Pratique : Analyse du risque de crédit

- Classificateur Bayésien Natif

- Étapes pour calculer la probabilité postérieure : Partie A

- Étapes pour calculer la probabilité postérieure : Partie B

- Machines à vecteurs de support : Séparabilité linéaire

- Machines à vecteurs de support : Marge de classification

- SVM linéaire : Représentation mathématique

- SVM non linéaires

- L'astuce du noyau

- Démonstration : Classification vocale

- Pratique : Classification des collèges

- Points clés

- Projet de fin de leçon : Classification des données cinématiques

- Objectifs d'apprentissage

- Aperçu, exemple et applications de l'apprentissage non supervisé

- Regroupement en grappes, Clustering hiérarchique

- Classification hiérarchique : Exemple

- Démonstration : Regroupement d'animaux

- Pratique : Segmentation des clients

- Classification K-moyennes

- Nombre optimal de clusters

- Démonstration : Incitation basée sur les clusters

- Pratique : Segmentation d'image

- Points clés

- Projet de fin de leçon : Regroupement de données d'images

- Objectifs d'apprentissage

- Vue d'ensemble de la modélisation des séries temporelles

- Types de modèles de séries temporelles Partie A

- Types de modèles de séries temporelles Partie B

- Bruit blanc

- Suppression de la non-stationnarité

- Démonstration : Passagers aériens I

- Pratique : Production de bière I

- Modèles de séries temporelles Partie A

- Modèles de séries temporelles Partie B

- Modèles de séries temporelles Partie C

- Étapes de la prévision de séries temporelles

- Démo : Passagers aériens II

- Pratique : Production de bière II

- Points clés

- Projet de fin de leçon : Prévision des prix des matières premières du FMI

- Objectifs d'apprentissage

- Vue d'ensemble des méthodes d'apprentissage ensembliste Partie A

- Méthodes d'apprentissage ensembliste Partie B

- Fonctionnement de l'AdaBoost

- Algorithme AdaBoost et organigramme

- Renforcement du gradient

- XGBoost

- Paramètres XGBoost Partie A

- Paramètres XGBoost Partie B

- Démonstration : Diabète des Indiens Pima

- Pratique : Espèces linéairement séparables

- Sélection du modèle

- Stratégies de division courantes

- Démonstration : Validation croisée

- Pratique : Sélection de modèle

- Points clés

- Projet de fin de leçon : Ajustement du modèle de classification avec XGBoost

- Objectifs d'apprentissage

- Introduction

- Objectifs des systèmes de recommandation

- Paradigmes des systèmes de recommandation

- Filtrage collaboratif partie A

- Filtrage Collaboratif Partie B

- Exploration des règles d'association

- Exploration des règles d'association : Analyse du panier de marché

- Génération de règles d'association : Algorithme Apriori

- Exemple d'algorithme a priori : Partie A

- Exemple d'algorithme a priori : Partie B

- Algorithme a priori : Sélection de règles

- Démonstration : Modèle de recommandation utilisateur-film

- Pratique : Recommandation de films

- Points clés

- Projet de fin de leçon : Recommandation de location de livres

- Objectifs d'apprentissage

- Vue d'ensemble de l'exploration de texte

- Importance de l'extraction de texte

- Applications de l'extraction de texte

- Bibliothèque de la boîte à outils pour le langage naturel

- Extraction et prétraitement du texte : Tokenisation

- Extraction et prétraitement du texte : N-grammes

- Extraction de texte et prétraitement : Suppression des mots vides

- Extraction de texte et prétraitement : Radicalisation

- Extraction de texte et prétraitement : Lemmatisation

- Extraction de texte et prétraitement : étiquetage grammatical

- Extraction de texte et prétraitement : Reconnaissance d'entités nommées

- Flux de travail du traitement du langage naturel

- Démonstration : Traitement du Corpus Brown

- Pratique : Corpus Wiki

- Structuration des phrases : Représentation des arbres syntaxiques

- Structuration des phrases : Groupement et analyse de segments

- Morceaux de NP et de VP et analyseur syntaxique

- Structuration des phrases : Exclusion dans les grammaires sans contexte

- Démonstration de grammaire (CFG) : Sentiments sur Twitter

- Pratique : Sentiment des compagnies aériennes

- Points clés

- Projet de fin de leçon : Coupe du Monde de la FIFA

Concevez un algorithme qui déterminera le tarif à facturer pour un passager. Uber souhaite améliorer la précision de son modèle de prédiction des tarifs. Aidez Uber en sélectionnant les meilleures données et technologies d'IA pour construire son modèle de nouvelle génération.

Réduisez le temps passé par une Mercedes-Benz sur le banc d'essai. Mercedes-Benz souhaite réduire le temps que ses modèles passent sur son banc d'essai, afin de les faire passer plus rapidement à la phase de commercialisation. Construisez et optimisez un algorithme d'apprentissage automatique pour résoudre ce problème.

Concevez un algorithme pour prédire avec précision les privilèges d'accès des employés d'Amazon. Utilisez les données des employés d'Amazon et leurs autorisations d'accès pour construire un modèle qui décide automatiquement des privilèges d'accès à mesure que les employés entrent et sortent des rôles au sein d'Amazon.

Identifier le niveau de qualification de revenu nécessaire pour les familles en Amérique latine. La Banque interaméricaine de développement souhaite qualifier les personnes pour un programme d'aide. Aidez la banque à construire et à améliorer la précision de l'ensemble de données en utilisant un classificateur de forêt aléatoire.

L'examen se déroule entièrement en ligne. Vous avez droit à 3 tentatives d'examen. Il est nécessaire de réserver la tentative d'examen plus de 48 heures à l'avance.

- Choix multiple

- 90 questions par examen

- Un point est attribué pour chaque réponse correcte

- Pas de points négatifs pour les réponses incorrectes

- Durée de 120 minutes

- Examen en ligne surveillé