AI Workflow: Feature Engineering and Bias Detection

via Coursera

Aperçu

Plongez dans les phases cruciales du développement de solutions IA avec le troisième volet de la spécialisation IBM AI Enterprise Workflow, axé sur "AI Workflow : Feature Engineering et Détection des Biais". Ce cours est conçu pour suivre de manière fluide la progression des deux précédents volets, il est donc vivement recommandé de suivre ce curriculum de manière séquentielle pour une expérience d'apprentissage complète. Dans ce module, les participants découvriront des techniques avancées adaptées à un scénario hypothétique d'une entreprise de médias, avec un accent mis sur l'ingénierie des caractéristiques, l'atténuation des déséquilibres de classes et l'importance capitale de détecter et d'adresser les biais dans les données pour préserver l'intégrité des modèles d'apprentissage automatique.

Tout au long de ce cours, les apprenants seront dotés des connaissances pour mettre en œuvre les meilleures pratiques de réduction de dimension, de détection d'anomalies, et l'application de méthodes d'apprentissage non supervisé pour révéler les motifs sous-jacents dans les données. Avec un éventail d'études de cas, incluant la modélisation de sujets et des visualisations de données complexes, le cours vise à renforcer les compétences dans plusieurs domaines clés :

Aborder et contrer les problèmes liés aux déséquilibres de classes
Comprendre les implications éthiques du biais des données
Utiliser les bibliothèques open-source AI Fairness 360 pour la détection de biais dans les modèles IA
Appliquer des stratégies de réduction de dimension pour l'analyse exploratoire des données (EDA) et les étapes de transformation
Analyser les données textuelles à travers des techniques de modélisation de sujets et de visualisation
Adopter les meilleures pratiques dans la gestion des anomalies dans les données à haute dimension
Intégrer des algorithmes de détection d'anomalies à des fins d'assurance qualité et de modélisation
Incorporer des techniques d'apprentissage non supervisé et des algorithmes de clustering de base dans le workflow IA

Ce cours est spécifiquement conçu pour les professionnels actuels en science des données ayant de l'expérience dans la construction de modèles d'apprentissage automatique, cherchant à améliorer leur expertise dans le déploiement de l'IA au sein de grandes entreprises. Les prérequis pour s'inscrire comprennent la réalisation des deux premiers cours de la spécialisation IBM AI Enterprise Workflow, une compréhension fondamentale de l'algèbre linéaire, du échantillonnage, de la théorie des probabilités et des distributions, des statistiques descriptives et inférentielles, des principes d'apprentissage automatique, et une maîtrise en Python ainsi qu'une familiarité avec les bibliothèques de science des données (NumPy, Pandas, matplotlib, scikit-learn), IBM Watson Studio, et le processus de design thinking. Proposé via Coursera, ce cours fait partie des catégories de cours sur l'Intelligence Artificielle et sur l'Apprentissage non Supervisé.