Faire connaître les deux branches les plus intégrales (c’est-à-dire l’apprentissage supervisé et non supervisé) relevant du Machine Learning

Décrire des méthodes intelligentes de résolution de problèmes via une utilisation appropriée des techniques d’apprentissage automatique.

Pour construire des modèles neuronaux appropriés à partir d’un framework python à la pointe de la technologie.

Pour créer des modèles neuronaux à partir de zéro, suivez les instructions étape par étape.

Pour créer des solutions de bout en bout pour résoudre les problèmes du monde réel en utilisant les techniques d’apprentissage automatique appropriées à partir d’un ensemble de techniques disponibles.

Examiner et sélectionner de manière critique les solutions d’apprentissage automatique les plus appropriées

Utiliser les méthodologies d’évaluation du ML pour comparer et contraster les algorithmes de ML supervisés et non supervisés à l’aide d’un cadre d’apprentissage automatique établi.

Le guide du débutant pour la programmation python est également inclus.

Contenu indicatif du module

Introduction à l’apprentissage automatique: – Qu’est-ce que l’apprentissage automatique?, Motivations pour l’apprentissage automatique, Pourquoi l’apprentissage automatique? Possibilités d’emploi pour l’apprentissage automatique

Configuration de l’environnement pour l’apprentissage automatique: -Téléchargement et configuration d’Anaconda, Introduction à Google Collabs

Techniques d’apprentissage supervisé: -Techniques de régression, théorème de Bayer, Naïve Bayer, Support Vector Machines (SVM), Decision Trees et Random Forest.

Techniques d’apprentissage non supervisées: – Clustering, K-Means clustering

Réseaux de neurones artificiels [Theory and practical sessions – hands-on sessions]

Mécanismes d’évaluation et de test: – Précision, rappel, mesure F, matrices de confusion,

Protection des données et principes éthiques