Algorithmes de ML Avancés et Apprentissage Non Supervisé

Aperçu

Dans ce cours, vous explorerez des algorithmes avancés d'apprentissage automatique et des techniques d'apprentissage non supervisé pour améliorer vos compétences en construction de modèles. Vous apprendrez à améliorer la performance des modèles en utilisant des méthodes d'ensemble comme la forêt aléatoire, à appliquer les machines à vecteurs de support (SVM) pour des tâches complexes de classification, et à réduire la dimensionnalité avec des techniques telles que l'analyse en composantes principales (PCA).

À la fin du cours, vous aurez également une compréhension de l'apprentissage non supervisé grâce au regroupement K-Means et une introduction à l'apprentissage profond. Le cours commence par une introduction à l'apprentissage ensembliste utilisant les forêts aléatoires, où vous comprendrez comment cette méthode améliore la précision des modèles prédictifs et réduit le surapprentissage.

Vous vous plongerez ensuite dans les machines à vecteurs de support (SVM), apprenant à appliquer cette technique puissante pour résoudre des problèmes complexes de classification, y compris comment optimiser les modèles SVM pour de meilleures performances. Ensuite, vous explorerez l'analyse en composantes principales (PCA) pour réduire la dimensionnalité et optimiser la performance des modèles, vous permettant de travailler plus efficacement avec des ensembles de données à haute dimensionnalité.

Vous apprendrez également sur le regroupement K-Means pour l'apprentissage non supervisé, en vous concentrant sur comment détecter des motifs et des anomalies dans des données non étiquetées. Enfin, le cours se termine par une introduction à l'apprentissage profond, explorant comment ce domaine en croissance rapide s'appuie sur les concepts traditionnels de l'apprentissage automatique.

Vous comprendrez comment l'apprentissage profond peut être appliqué à une gamme de tâches complexes telles que la reconnaissance d'images et de la parole. Ce cours est idéal pour les apprenants ayant une expérience préalable en apprentissage automatique et en Python, qui sont prêts à aborder des sujets plus avancés.

Une familiarité avec les statistiques et l'algèbre linéaire est utile.

Programme

• Forêt d'Aléatoires
Dans ce module, nous introduirons la forêt d'aléatoires, une méthode d'apprentissage par ensemble qui améliore les arbres de décision. Vous apprendrez à construire, optimiser et évaluer les modèles de forêt d'aléatoires en utilisant des techniques telles que la recherche sur grille et la validation croisée. Ce module se concentre sur la robustesse et l'exactitude de ces modèles pour des applications réelles.
• Machine à Vecteurs de Support
Dans ce module, nous introduirons les machines à vecteurs de support (SVM), un algorithme avancé utilisé pour les tâches de classification. Vous acquerrez une expérience pratique en utilisant SVM pour classifier des données polynomiales, ainsi que des techniques pour optimiser les modèles SVM afin d'améliorer la précision des prédictions.
• Réduction de Dimensionnalité - Analyse en Composantes Principales (ACP)
Dans ce module, nous explorerons l'analyse en composantes principales (ACP), une technique clé pour réduire la dimensionnalité des ensembles de données complexes. Vous apprendrez à calculer et appliquer l'ACP dans des scénarios pratiques, en comprenant comment elle peut améliorer la performance d'un modèle d'apprentissage automatique en simplifiant les données tout en conservant les informations essentielles.
• Apprentissage Non Supervisé par le Clustering K-Means
Dans ce module, nous nous concentrerons sur le clustering K-Means, une technique puissante d'apprentissage non supervisé. Vous apprendrez à appliquer K-Means pour segmenter des données, optimiser les clusters, et évaluer la performance du modèle. Ce module met l'accent sur l'expérience pratique pour s'assurer que vous pouvez appliquer le clustering K-Means à des ensembles de données réels de manière efficace.
• Introduction à l'Apprentissage Profond
Dans ce module, nous introduirons l'apprentissage profond, une technologie transformatrice en intelligence artificielle. Vous apprendrez les principes fondamentaux derrière les modèles d'apprentissage profond, explorerez leurs applications et aurez un aperçu du potentiel de l'apprentissage profond à travers les industries. Ce module sert de fondation pour des sujets plus avancés en apprentissage profond.

Enseigné par

Packt - Course Instructors

Sujets

Informatique