Passer au contenu principal
  • Machine Learning
Concepts de ML
  • Présentation
  • Présentation du ML
  • Modèles de ML
  • Régression linéaire
  • Régression logistique
  • Classification
  • Données
  • Travailler avec des données numériques
  • Travailler avec des données catégorielles
  • Ensembles de données, généralisation et surapprentissage
  • Modèles de ML avancés
  • Réseaux de neurones
  • Embeddings
  • Présentation des grands modèles de langage
  • ML dans le monde réel
  • Systèmes de ML de production
  • Machine learning automatisé
  • Équité
Cours de base Cours avancés Guides Glossaire
  • Tous les termes
  • Agentique
  • Clustering
  • Forêts de décision
  • Principes de base
  • GCP
  • IA générative
  • Métriques
  • Une IA responsable
  • TensorFlow
/
  • English
  • Deutsch
  • Español
  • Español – América Latina
  • Français
  • Indonesia
  • Italiano
  • Polski
  • Português – Brasil
  • Tiếng Việt
  • Türkçe
  • Русский
  • Українська
  • עברית
  • العربيّة
  • فارسی
  • हिंदी
  • বাংলা
  • ภาษาไทย
  • 中文 – 简体
  • 中文 – 繁體
  • 日本語
  • 한국어
Connexion
  • Concepts de ML
Accueil Crash Course
  • Machine Learning
  • Concepts de ML
    • Plus
    • Accueil
    • Crash Course
  • Cours de base
  • Cours avancés
  • Guides
  • Glossaire
    • Plus
  • Liens rapides
  • Conditions préalables
  • Exercices
  • Centre d'aide
  • Modèles de ML
  • Régression linéaire (80 min)
    • Régression linéaire (10 min)
    • Perte (10 min)
    • Exercice interactif: Paramètres (5 min)
    • Descente de gradient (10 min)
    • Hyperparamètres (10 min)
    • Exercice interactif: Descente de gradient (5 min)
    • Exercice de programmation (20 min)
    • Testez vos connaissances (10 min)
    • Étapes suivantes
  • Régression logistique (35 min)
    • Présentation (5 min)
    • Calculer une probabilité (10 min)
    • Perte et régularisation (10 min)
    • Testez vos connaissances (10 min)
    • Étapes suivantes
  • Classification (70 min)
    • Présentation (3 minutes)
    • Seuils et matrice de confusion (12 min)
    • Précision, rappel, précision et métriques associées (15 min)
    • ROC et AUC (10 min)
    • Biais de prédiction (3 min)
    • Classification à classes multiples (2 min)
    • Exercice de programmation (15 min)
    • Testez vos connaissances (10 min)
    • Étapes suivantes
  • Données
  • Utiliser des données numériques (85 min)
    • Présentation (3 min)
    • Comment un modèle ingère des données avec des vecteurs de caractéristiques (5 min)
    • Premières étapes (5 min)
    • Exercices de programmation (10 min)
    • Normalisation (20 min)
    • Binning (15 min)
    • Pointage sur la barre de lecture (5 min)
    • Qualités des bonnes caractéristiques numériques (5 min)
    • Transformations polynomiales (5 min)
    • Testez vos connaissances (10 min)
    • Conclusion (2 min)
    • Étapes suivantes
  • Travailler avec des données catégorielles (50 min)
    • Présentation (5 min)
    • Vocabulaire et encodage one-hot (10 min)
    • Problèmes courants liés aux données catégorielles (5 min)
    • Croisements de caractéristiques (5 min)
    • Exercices de croisement de caractéristiques (15 min)
    • Testez vos connaissances (10 min)
    • Étapes suivantes
  • Ensembles de données, généralisation et surapprentissage (105 min)
    • Présentation (5 min)
    • Caractéristiques des données (10 min)
    • Étiquettes (10 min)
    • Ensembles de données déséquilibrés (10 min)
    • Diviser l'ensemble de données d'origine (10 min)
    • Transformer les données (5 min)