Une introduction centrée sur les concepts, des espaces de caractéristiques aux objectifs des modèles, aux pipelines et à de petits projets de classification.
Reliez l’intuition géométrique des vecteurs au raisonnement par plus proches voisins, aux arbres boostés, aux fonctions de perte, aux pipelines de prétraitement et à deux exemples compacts de réseaux neuronaux. Les leçons de la chaîne YouTube CampusX servent de démonstrations guidées. Le parcours insiste sur les données, l’objectif, la séparation des jeux et la mesure d’évaluation réellement utilisés par un modèle, plutôt que de traiter un exemple de code comme la preuve qu’il se généralisera.
Représenter un exemple simple d’apprentissage automatique en termes de caractéristiques, de cibles et d’espace de caractéristiques. Comparer à grands traits les approches par plus proches voisins et par boosting. Expliquer l’importance d’une fonction de perte et d’un pipeline de prétraitement. Documenter une expérience de classification courte avec un contrôle d’évaluation explicite.
Une bonne connaissance de la syntaxe Python élémentaire et de l’algèbre de base est recommandée. Aucune expérience préalable de mise en œuvre de l’apprentissage automatique n’est exigée.
Aux débutants qui souhaitent une introduction claire et guidée, sans jargon inutile
Aux personnes qui apprennent mieux avec des exemples, des leçons guidées et de la pratique
Aux professionnels, créateurs et développeurs indépendants recherchant une méthode reproductible
La leçon 1 est gratuite
7 leçons · Débutant · Cours complet.
Ce cours utilise du contenu sous licence CC BY attribué à son fournisseur ou à la personne qui l’a mis en ligne. La lecture des leçons est disponible uniquement après authentification et validation des contrôles de publication et de licence.