Parcours · Débutant
Machine learning : les fondamentaux
Comprendre le machine learning, préparer un poste reproductible, puis entraîner une régression, un clustering et un premier réseau de neurones ; modules données et évaluation, et épreuves, en cours d'écriture
- 2 niveaux
- 6 modules
- 10 leçons
- 9 quiz
- 4h
Commencer Leçon : Machine learning : définition et formation pour débuter
Recommandé avant de commencer : Python
À propos de ce parcours · compétences couvertes
Bienvenue sur votre parcours Machine learning. Le machine learning (apprentissage automatique) consiste à faire apprendre un modèle à partir de données plutôt qu'à écrire ses règles à la main. Le parcours commence par situer la discipline et ses familles d'apprentissage, puis vous fait préparer un poste reproductible avec conda (un gestionnaire d'environnements Python) et Jupyter (des carnets de code interactifs). Viennent ensuite l'apprentissage supervisé (la régression linéaire), l'apprentissage non supervisé (le clustering) et un module facultatif sur le deep learning.
Le programme ci-dessous liste les leçons publiées. Les modules consacrés aux données d'exploitation et à l'évaluation des modèles, puis les épreuves de fin de niveau, ne sont pas encore publiés : ils s'ajouteront à cette liste à mesure qu'ils sortent.
Atteindre un objectif
Ce parcours rassemble l’ensemble de nos contenus sur ce domaine. Votre parcours personnalisé peut n’en utiliser qu’une partie.
- Compétences 5 5 par quiz · 0 en lab · 0 avec preuve
Progression 0 / 10 (0%)
- Connaissance Non mesurée Votre premier quiz apparaîtra à la fin d’une leçon.
- Pratique Non mesurée Les labs mesurent votre capacité à faire. Vous n’avez pas besoin de DSOXLab pour commencer une formation.
- Preuve Non mesurée Les challenges et examens pratiques vérifient que vous savez agir sans procédure détaillée.
Cochez les leçons ici, ou avec « Marquer comme lu » en fin de leçon. La progression reste dans ce navigateur ; rien n’est envoyé au serveur, sauf si vous reliez ce navigateur à un compte facultatif.
N1
Vous choisissez la famille d'apprentissage qui convient à un problème d'après ses données et la réponse attendue, situez le travail dans le cycle de vie d'un projet data, et préparez un poste reproductible : Miniforge vérifié par son empreinte, environnement conda épinglé, exporté puis recréé, et notebook Jupyter qui s'exécute de haut en bas dans un kernel neuf.
Validation du niveau : aucune épreuve de validation définie pour ce niveau.
N2
Vous entraînez une régression linéaire et la mesurez sur un jeu de test par R² et RMSE, en lisant ses résidus, puis regroupez des données sans étiquettes avec k-means en choisissant le nombre de groupes par la méthode du coude et le coefficient de silhouette.
Validation du niveau : aucune épreuve de validation définie pour ce niveau.