Détails
- 16 Sections
- 110 Lessons
- 14 heures
Expand all sectionsCollapse all sections
- Présentation du Machine Learning6
- Présentation du Machine Learning6
- Collecte & préparation9
- Collecte & préparation9
- Présentation du marche du Machine Learning7
- Présentation du marche du Machine Learning7
- Types d'apprentissage en ML5
- Types d'apprentissage en ML5
- Algorithmes9
- 9.1Régression linéaire simple & multiple
- 9.2Régression polynomiale (LASSO). Séries temporelles.
- 9.3Régression logistique et applications en scoring.
- 9.4Classification hiérarchique et non hiérarchique (KMeans).
- 9.5Classification par arbres de décision ou approche Naïve Bayes.
- 9.6Ramdom Forest (développement des arbres de décision).
- 9.7Gradiant Boosting. Réseaux de neurones. Machine à support de vecteurs.
- 9.8Deep Learning : exemples et raisons du succès actuel.
- 9.9Text Mining : analyse des corpus de données textuelles.
- Algorithmes9
- 10.1Régression linéaire simple & multiple
- 10.2Régression polynomiale (LASSO). Séries temporelles.
- 10.3Régression logistique et applications en scoring.
- 10.4Classification hiérarchique et non hiérarchique (KMeans).
- 10.5Classification par arbres de décision ou approche Naïve Bayes.
- 10.6Ramdom Forest (développement des arbres de décision).
- 10.7Gradiant Boosting. Réseaux de neurones. Machine à support de vecteurs.
- 10.8Deep Learning : exemples et raisons du succès actuel.
- 10.9Text Mining : analyse des corpus de données textuelles.
- Procédure d'entraînement et d'évaluation des algorithmes7
- Procédure d'entraînement et d'évaluation des algorithmes7
- Mise en production d'un algorithme de Machine Learning5
- Mise en production d'un algorithme de Machine Learning5
- Aspects éthiques & juridiques liés à l'IA7
- Aspects éthiques & juridiques liés à l'IA7
