Dans ce module, vous explorerez deux méthodes de modélisation statistique fondamentales, la régression linéaire et la régression logistique, qui sont considérées comme des modèles d'apprentissage automatique classiques. La régression linéaire, souvent appliquée dans la résolution de problèmes du monde réel, modélise une relation linéaire entre des variables indépendantes et une variable dépendante. La régression logistique, une extension de la régression linéaire, fonctionne comme un classificateur et peut gérer des relations non linéaires par le biais de la transformation des entrées. En mettant en œuvre ces modèles, vous aurez un aperçu de leurs limites et comprendrez mieux les avancées offertes par les modèles d'apprentissage automatique modernes.

Dans ce module, vous apprendrez à mettre en œuvre des modèles modernes d'apprentissage automatique supervisé. Vous commencerez par comprendre le fonctionnement de la classification binaire et découvrirez comment construire un classificateur multiclasse à partir de composants de classification binaire. Vous apprendrez ce que sont les arbres décisionnels, comment ils apprennent et comment les construire. Les arbres décisionnels, qui sont utilisés pour résoudre les problèmes de classification, ont une extension naturelle appelée arbres de régression, qui peut traiter les problèmes de régression. Vous découvrirez d'autres modèles d'apprentissage supervisé, tels que KNN et SVM. Vous apprendrez ce que sont le biais et la variance dans l'ajustement des modèles et le compromis entre le biais et la variance inhérent à tous les modèles d'apprentissage à des degrés divers. Vous apprendrez des stratégies pour atténuer ce compromis et travaillerez avec des modèles qui accomplissent un très bon travail pour atteindre cet objectif.

Dans ce module, vous explorerez l'Apprentissage non supervisé, une approche d'apprentissage automatique qui ne nécessite pas de données étiquetées. Au lieu d'utiliser des réponses correctes, ces algorithmes identifient des modèles dans les données en se basant sur la similarité. Ces modèles forment des grappes dans un espace de caractéristiques à N dimensions, où les points de données qui sont proches les uns des autres peuvent être considérés comme des grappes. Les grappes peuvent avoir une structure hiérarchique, semblable aux systèmes naturels tels que les galaxies ou les taxonomies biologiques. Vous découvrirez les algorithmes de clustering et comment l'apprentissage non supervisé peut réduire les caractéristiques pour d'autres tâches de modélisation, en utilisant Python pour mettre en œuvre diverses techniques de clustering et de réduction de la dimensionnalité.

Dans ce module, vous apprendrez à évaluer les performances des modèles d'apprentissage automatique supervisé à l'aide de différentes métriques, selon que vous construisez des modèles de classification ou de régression. Vous explorerez les techniques de réglage des hyperparamètres comme la validation croisée pour éviter l'overfitting et garantir une évaluation impartiale des modèles. En outre, vous apprendrez les techniques de régularisation pour la régression linéaire afin d'atténuer le surajustement causé par le bruit et les valeurs aberrantes. Enfin, vous acquerrez une expérience pratique en construisant, en affinant et en évaluant des modèles à l'aide de ces techniques.

Ce module met l'accent sur l'application et la démonstration des compétences que vous avez acquises tout au long du cours en réalisant un travail final complet. Dans ce travail, vous analyserez des données historiques sur les précipitations afin de développer et d'optimiser un modèle de classification. Vous effectuerez une ingénierie des caractéristiques, évaluerez les performances du modèle à l'aide de différents classificateurs et résumerez vos résultats à l'aide de visualisations. Une fois terminé, votre travail sera noté automatiquement par un outil de notation de l'IA dans la section suivante.