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
Introduction à l'apprentissage automatique de bout en bout
Plongez dans l'univers du machine learning et découvrez comment concevoir, former et déployer des modèles de bout en bout grâce à ce cours complet. Grâce à des exemples concrets et captivants ainsi qu'à des exercices pratiques, vous apprendrez à résoudre des problèmes complexes liés aux données et à créer des modèles d'apprentissage automatique performants. À la fin de ce cours, vous disposerez des compétences nécessaires pour créer, surveiller et maintenir des modèles hautement performants qui fournissent des informations exploitables. Transformez votre expertise en apprentissage automatique grâce à cette formation pratique et complète, et devenez un professionnel de bout en bout dans ce domaine.
Évaluer et améliorer votre modèle
Commencez par acquérir les bases de l'analyse exploratoire des données (EDA) et de la préparation des données. Vous nettoierez et prétraitez vos données afin de vous assurer qu'elles sont prêtes pour l'entraînement du modèle. Ensuite, veuillez maîtriser l'art de l'ingénierie et de la sélection des caractéristiques afin d'optimiser vos modèles pour les défis du monde réel ; apprenez à utiliser la bibliothèque Boruta pour la sélection des caractéristiques, enregistrez vos expériences avec MLFlow et affinez vos modèles à l'aide de la validation croisée k-fold. Découvrez les secrets d'une mesure efficace des erreurs et diagnostiquez le surajustement afin de garantir la réussite de vos modèles.
Déployez et surveillez votre modèle
Vous explorerez également l'importance des magasins de fonctionnalités et des registres de modèles dans les cadres ML de bout en bout. Découvrez comment déployer et surveiller les performances de votre modèle au fil du temps à l'aide de Docker et d'AWS. Comprenez le concept de dérive des données et comment la détecter à l'aide de tests statistiques. Mettez en place des boucles de rétroaction, des stratégies de recyclage et d'étiquetage afin de maintenir les performances de vos modèles face à des données en constante évolution.
Ce cours vous permettra d'acquérir des compétences pratiques directement applicables à une carrière de data scientist ou d'ingénieur en apprentissage automatique, vous permettant de concevoir, déployer et maintenir des modèles ; des compétences essentielles pour tirer parti de l'impact commercial des solutions d'apprentissage automatique.
Prérequis
Programme de formation
Plan du cours
1
Conception et exploration
Dans ce premier chapitre, vous aborderez les étapes fondamentales de tout projet de Machine Learning : la conception d’un cas d’usage de bout en bout, l’analyse exploratoire des données et la préparation des données. À la fin du chapitre, vous aurez une compréhension solide des premières étapes d’un projet de Machine Learning, de la définition du cas d’usage à la préparation des données pour les traitements ultérieurs et l’entraînement du modèle.
- Concevoir un cas d’usage Machine Learning de bout en bout50 XP
- Définitions des phases du cycle de vie du Machine Learning50 XP
- Cycle de vie du Machine Learning100 XP
- Analyse exploratoire des données50 XP
- Visualiser vos données100 XP
- Identifier un déséquilibre de classes100 XP
- Objectifs de l’EDA100 XP
- Préparation des données50 XP
- Fonctions de préparation des données100 XP
- Imputation avancée100 XP
- Nettoyer votre jeu de données100 XP
2
Entraînement et évaluation du modèle
Ce chapitre explore en profondeur les processus essentiels d’entraînement et d’évaluation des modèles. Il comprend quatre leçons complètes, axées sur différents aspects de l’ingénierie et la sélection des features, l’entraînement du modèle, la journalisation des expériences et l’évaluation du modèle.
3
Déploiement du modèle
Ce chapitre aborde les éléments essentiels du déploiement de modèles, une phase clé du cycle de vie du Machine Learning. En commençant par les tests, il se poursuit avec les composants d’architecture, en mettant l’accent sur les feature stores et les registres de modèles. Nous explorerons ensuite l’empaquetage et la conteneurisation. Le chapitre se termine par une vue d’ensemble de l’intégration continue et du déploiement continu (CI/CD).
4
Surveillance du modèle
Dans le chapitre final, vous aborderez les subtilités de la surveillance des modèles, une phase déterminante du cycle de vie du Machine Learning.
Machine Learning de bout en bout
Cours
terminé
