Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Déployer des modèles de Machine Learning en production semble facile avec les outils modernes, mais se solde souvent par une déception lorsque les performances chutent en production par rapport au développement. Ce cours vous donnera quatre super-pouvoirs pour vous démarquer et construire des pipelines durables : comment régler de manière exhaustive chaque aspect de votre modèle en développement ; comment tirer le meilleur parti de l’expertise métier disponible ; comment surveiller les performances de votre modèle et gérer toute dégradation ; et enfin comment traiter des données mal ou peu étiquetées. En explorant en profondeur l’état de l’art de sklearn, et en travaillant sur des jeux de données réels issus de domaines en vogue comme la santé personnalisée et la cybersécurité, ce cours propose une vision du Machine Learning depuis le terrain.
Prérequis
Programme de formation
Plan du cours
1
Le workflow standard
Dans ce chapitre, vous reverrez les bases d’un workflow d’apprentissage supervisé, avec l’ajustement, le réglage et la sélection des modèles, l’ingénierie et la sélection de caractéristiques, ainsi que les techniques de découpage des données. Vous comprendrez comment ces étapes d’un workflow dépendent les unes des autres, et verrez comment elles peuvent toutes contribuer à, ou au contraire lutter contre le surapprentissage : le pire ennemi du data scientist. À la fin du chapitre, vous serez déjà à l’aise avec l’apprentissage supervisé et prêt à aborder des notions plus avancées dans les chapitres suivants.
- Pipelines de supervised learning50 XP
- Ingénierie des variables100 XP
- Votre première pipeline100 XP
- Complexité du modèle et surapprentissage50 XP
- Recherche en grille avec validation croisée pour la complexité du modèle100 XP
- Nombre d’arbres et estimateurs50 XP
- Ingénierie des caractéristiques et surapprentissage50 XP
- Encodages catégoriels100 XP
- Transformations de variables100 XP
- Tout rassembler100 XP
2
L’humain dans la boucle
Au chapitre précédent, vous avez perfectionné votre maîtrise des workflows d’apprentissage supervisé standard. Dans ce chapitre, vous examinerez de manière critique la façon d’intégrer l’expertise métier dans l’apprentissage supervisé. Cela passe par l’identification de la bonne unité d’analyse, ce qui peut nécessiter de l’ingénierie de caractéristiques à partir de plusieurs sources de données, par le processus parfois imparfait d’étiquetage des exemples, et par la définition d’une fonction de perte qui reflète la vraie valeur métier des erreurs commises par votre modèle de Machine Learning.
3
Gestion du cycle de vie des modèles
Au chapitre précédent, vous avez intégré différents retours d’experts dans votre workflow et les avez évalués en cohérence avec la valeur métier. Il est maintenant temps de pratiquer les compétences nécessaires pour industrialiser votre modèle et garantir qu’il continue de bien performer ensuite, en l’améliorant de manière itérative. Vous apprendrez aussi à diagnostiquer un décalage de distribution des données (dataset shift) et à atténuer l’effet qu’un environnement changeant peut avoir sur la précision de votre modèle.
4
Workflows non supervisés
Dans les chapitres précédents, vous avez bâti une base solide en apprentissage supervisé, y compris le déploiement des modèles en production, mais en supposant toujours la disponibilité d’un jeu de données étiqueté pour votre analyse. Dans ce chapitre, vous relevez le défi de modéliser des données sans labels, ou avec très peu de labels. Vous explorerez la détection d’anomalies, une forme de modélisation non supervisée, ainsi que l’apprentissage fondé sur la distance, où des hypothèses sur la similarité entre deux exemples peuvent se substituer aux labels pour vous aider à atteindre une précision comparable à celle d’un workflow supervisé. À l’issue de ce chapitre, vous vous distinguerez nettement en sachant avec assurance quels outils utiliser pour adapter votre workflow et surmonter des défis courants du monde réel.
Concevoir des workflows de Machine Learning en Python
Cours
terminé
