Dans ce module, nous verrons comment améliorer la qualité de nos données et comment les explorer en effectuant une analyse exploratoire des données. Nous examinons l'importance des données bien rangées dans l'apprentissage automatique et montrons comment elles influencent la qualité des données. Par exemple, les valeurs manquantes peuvent fausser nos résultats. Vous apprendrez également l'importance de l'exploration de vos données. Une fois les données bien rangées, vous effectuerez une analyse exploratoire de l'ensemble des données.

Dans ce module, nous présenterons quelques-uns des principaux types d'apprentissage automatique afin que vous puissiez accélérer votre croissance en tant que praticien de l'apprentissage automatique.

Dans ce module, nous allons vous présenter la formation des modèles AutoML à l'aide de Vertex AI.

Dans ce module, nous présenterons BigQuery ML et ses capacités.

Dans ce module, nous vous expliquons comment optimiser vos modèles ML.

Il est maintenant temps de répondre à une question plutôt étrange : quand le modèle de ML le plus précis n'est-il pas celui qu'il faut choisir ? Comme nous l'avons suggéré dans le dernier module sur l'optimisation, ce n'est pas parce qu'un modèle a une métrique de perte de 0 pour votre ensemble de données d'entraînement qu'il sera performant sur de nouvelles données dans le monde réel. Vous apprendrez à créer des ensembles de données d'entraînement, d'évaluation et de test reproductibles et à établir des repères de performance.

Ce module est un résumé du cours "Launching into Machine Learning"