We may earn an affiliate commission when you visit our partners.
Course image
Audrey Durand, Christian Gagné, Pascal Germain, Gauthier Gidel, Guillaume Rabusseau, Quentin Bertrand, Pierre Gravel, and Marouane Yassine

L’objectif principal du MOOC Apprivoiser l'Apprentissage Automatique est de vous présenter les concepts importants de manière simplifiée, puis de les pratiquer à l’aide de 7 tutoriels en Python sur l’application en ligne Colab accessible gratuitement. Le niveau théorique est ajusté pour mettre l’emphase sur les principes des méthodes présentées et illustrées avec des exemples concrets. Il y a peu de démonstrations mathématiques avancées.

Read more

L’objectif principal du MOOC Apprivoiser l'Apprentissage Automatique est de vous présenter les concepts importants de manière simplifiée, puis de les pratiquer à l’aide de 7 tutoriels en Python sur l’application en ligne Colab accessible gratuitement. Le niveau théorique est ajusté pour mettre l’emphase sur les principes des méthodes présentées et illustrées avec des exemples concrets. Il y a peu de démonstrations mathématiques avancées.

Pourquoi suivre ce MOOC en Apprentissage Automatique (AA)?

  • L’AA fera son arrivée prochainement dans votre organisation et vous souhaitez être prêt.
  • Vous l'utilisez depuis un moment déjà et vous souhaitez vous tenir à jour.
  • Vous pensez à une réorientation de carrière et vous voulez tester votre intérêt.
  • Vous envisagez de mener votre entreprise vers l’adoption de l’intelligence artificielle (IA).
  • On vous a proposé de créer un groupe ou projet en IA et vous aimeriez en apprendre assez sur le sujet pour gérer celui-ci et recruter du personnel qualifié.
  • Vous avez tout simplement un intérêt pour l’AA et l’IA et souhaitez en apprendre davantage.

Vous serez initié à toutes les étapes à effectuer lors d’un projet en AA. Vous voulez prédire la pression à l’intérieur d’une turbine en fonction des données de multiples senseurs? C’est de la régression! Vous voulez prédire si un patient est atteint ou non de diabète en fonction des résultats d’un examen médical? C’est de la classification! Vous voulez regrouper les clients en différents segments? C’est du regroupement de données! Il y a de nombreuses applications dans une multitude de domaines.

Pour bien appliquer l’AA dans un projet, il faut d’abord comprendre l’importance des données, comment les nettoyer afin de les mettre en valeur, puis quelle méthode en AA permettrait d’extraire la bonne information.

Le cours est divisé en sept modules que vous pourrez suivre à votre rythme. Vous pourrez tester votre compréhension avec de la rétroaction au moyen d’un questionnaire dans chaque module.

Ce MOOC résulte d’une collaboration entre l’Institut de valorisation des données (IVADO) de l’Université de Montréal, l’Institut intelligence et données (IID) de l’Université Laval, à Québec, et Mila - Institut québécois d’intelligence artificielle.

Le contenu a été développé par des professeurs, scientifiques des données, des informaticiens et ingénieurs ayant de l’expérience en R et D académique et industrielle.

Dans ce MOOC, le genre masculin est utilisé comme générique, dans le seul but de ne pas alourdir le texte.

Two deals to help you save

What's inside

Learning objectives

  • Définir les notions fondamentales de l'apprentissage automatique telles que sous/sur-apprentissage, validation, optimisation.
  • Identifier le type d'un problème d'apprentissage automatique donné (ex., supervisé / non-supervisé).
  • Expliquer le fonctionnement et les mécanismes de l’apprentissage automatique.
  • Identifier les besoins en données pour la réalisation d’un projet en aa.
  • Utiliser l’application colab pour écrire et exécuter du code python.
  • Analyser les courbes de performances en entraînement et en validation d’un algorithme d'apprentissage afin d’établir un diagnostic sur le choix des hyperparamètres, de la technique d’optimisation et des données.
  • Au terme de cette formation en ligne, l’apprenant sera en mesure de:

Syllabus

Voici les contenus théoriques et pratiques de l’AA abordés dans chaque module:
Module 1 - Introduction à l’AA
Module 2 - Notions de base
Module 3 - Méthodes classiques supervisées : Préambule
Read more
Tutoriel de pratique Colab: Comparaison de différentes méthodes de régression
Module 4 - Méthodes classiques supervisées
Tutoriel de pratique Colab: Comparaison de différentes méthodes de classification
Module 5 - Méthodes classiques avancées
Tutoriel de pratique Colab: Exemples d’apprentissage profond
Module 6 - Méthodes d’apprentissage non supervisé
Tutoriel de pratique Colab 1: Exemple de regroupement des données en analyse exploratoire
Tutoriel de pratique Colab 2: Exemple de regroupement des données en analyse d’images
Module 7 - Mise en pratique dans l’industrie
Tutoriel de pratique Colab 1: Exemples de préparation des données
Tutoriel de pratique Colab 2: Sélection et optimisation d’un modèle optimal

Good to know

Know what's good
, what to watch for
, and possible dealbreakers
Helps those with no foundation in learning how to manage an AI team by covering the core concepts of AI in a simple way
Uses Python-based tutorials to reinforce the course's material, which helps learners build hands-on experience
Provides clear examples to illustrate complex learning scenarios
Covers all the essential steps needed to manage an AI project
Taught by a team of leading AI experts, which allows learners to access the latest knowledge and insights

Save this course

Save Apprivoiser l’apprentissage automatique to your list so you can find it easily later:
Save

Activities

Be better prepared before your course. Deepen your understanding during and after it. Supplement your coursework and achieve mastery of the topics covered in Apprivoiser l’apprentissage automatique with these activities:
Lire Apprentissage profond
Permet de renforcer les connaissances théoriques sur l'apprentissage profond abordées dans le cours.
Show steps
  • Lire les chapitres 1 à 4
  • Résumer les concepts clés de chaque chapitre
  • Appliquer ces concepts à des exemples pratiques
Participer à des sessions d'étude avec d'autres étudiants
Permet de renforcer la compréhension du cours en discutant des concepts avec d'autres étudiants.
Show steps
  • Trouver un groupe d'étude
  • Se réunir régulièrement
  • Discuter des concepts du cours
Suivre des tutoriels sur la bibliothèque scikit-learn
Permet d'améliorer les compétences pratiques avec la bibliothèque scikit-learn, utilisée dans le cours.
Browse courses on Python
Show steps
  • Trouver des tutoriels en ligne
  • Suivre les tutoriels
  • Appliquer les connaissances acquises à des exemples pratiques
Three other activities
Expand to see all activities and additional details
Show all six activities
Construire un modèle d'apprentissage automatique
Permet de mettre en pratique les techniques d'apprentissage automatique apprises dans le cours.
Browse courses on Machine Learning
Show steps
  • Choisir un ensemble de données
  • Nettoyer et préparer les données
  • Choisir et entraîner un modèle
  • Évaluer les performances du modèle
Résoudre des problèmes d'apprentissage automatique sur LeetCode
Permet d'améliorer les compétences de résolution de problèmes en apprentissage automatique.
Show steps
  • S'inscrire sur LeetCode
  • Choisir des problèmes d'apprentissage automatique
  • Résoudre les problèmes
Contribuer à des projets open source d'apprentissage automatique
Permet d'améliorer les compétences pratiques en apprentissage automatique et de contribuer à la communauté open source.
Browse courses on Open Source
Show steps
  • Trouver des projets open source sur GitHub
  • Choisir un projet
  • Contribuer au projet

Career center

Learners who complete Apprivoiser l’apprentissage automatique will develop knowledge and skills that may be useful to these careers:
Research Scientist
Research Scientists conduct scientific research to advance knowledge and develop new technologies. This course provides a valuable foundation in machine learning, a field that is revolutionizing scientific research. By gaining expertise in machine learning concepts and techniques, Research Scientists can enhance their ability to analyze complex data, make accurate predictions, and contribute to groundbreaking discoveries. The course covers supervised and unsupervised learning methods, model evaluation, and optimization strategies, equipping learners with the knowledge and skills to excel in their research endeavors.
Machine Learning Engineer
Machine Learning Engineers design, develop, and deploy machine learning models to solve complex problems. This course provides a solid foundation in machine learning principles and techniques. It covers supervised and unsupervised learning methods, performance evaluation metrics, and model optimization strategies. The practical tutorials using Python and Colab allow learners to gain hands-on experience in implementing and evaluating machine learning algorithms. By completing this course, individuals can enhance their skills and knowledge to transition into or advance their careers as Machine Learning Engineers.
Statistician
Statisticians collect, analyze, and interpret data to provide insights and make predictions. This course provides a valuable foundation in machine learning, a field that is revolutionizing the way data is analyzed and interpreted. By gaining expertise in machine learning concepts and techniques, Statisticians can enhance their ability to develop more accurate and sophisticated statistical models.
Quantitative Analyst
Quantitative Analysts use mathematical and statistical models to analyze financial data and make investment decisions. This course provides a solid foundation in machine learning, a field that is increasingly used in quantitative finance. By understanding machine learning techniques, Quantitative Analysts can enhance their ability to develop more accurate and sophisticated financial models. The course covers supervised and unsupervised learning methods, model evaluation metrics, and optimization strategies, providing learners with the knowledge and skills to excel in the field of quantitative finance.
Data Engineer
Data Engineers design, build, and maintain data pipelines to support data analysis and machine learning initiatives. This course provides a valuable foundation in machine learning, a field that is increasingly used in data engineering. By understanding machine learning techniques, Data Engineers can enhance their ability to develop more efficient and scalable data pipelines. The course covers supervised and unsupervised learning methods, model evaluation metrics, and optimization strategies, providing learners with the knowledge and skills to excel in the field of data engineering.
Data Analyst
Data Analysts play a crucial role in transforming raw data into valuable insights. This course offers a comprehensive introduction to machine learning, a field that empowers Data Analysts to extract meaningful patterns and make predictions from data. The course covers both supervised and unsupervised learning methods, providing learners with the knowledge and skills to tackle a wide range of data analysis challenges. By understanding machine learning techniques, Data Analysts can enhance their ability to uncover hidden insights, inform decision-making, and contribute to data-driven solutions.
Operations Research Analyst
Operations Research Analysts use mathematical and analytical techniques to solve complex business problems. This course provides a valuable foundation in machine learning, a field that is increasingly used in operations research. By gaining expertise in machine learning concepts and techniques, Operations Research Analysts can enhance their ability to develop more efficient and effective solutions to business problems.
Actuary
Actuaries use mathematical and statistical models to assess risk and uncertainty. This course provides a valuable foundation in machine learning, a field that is increasingly used in actuarial science. By gaining expertise in machine learning concepts and techniques, Actuaries can enhance their ability to develop more accurate and sophisticated risk models.
Business Intelligence Analyst
Business Intelligence Analysts help organizations make data-driven decisions. This course offers a comprehensive introduction to machine learning, a field that empowers Business Intelligence Analysts to extract valuable insights and make predictions from data. The course covers both supervised and unsupervised learning methods, providing learners with the knowledge and skills to tackle a wide range of business intelligence challenges. By understanding machine learning techniques, Business Intelligence Analysts can enhance their ability to uncover hidden opportunities, optimize business processes, and contribute to data-driven decision-making.
Product Manager
Product Managers lead the development and launch of new products and features. This course provides a valuable foundation in machine learning, a field that is increasingly used to enhance product development. By gaining expertise in machine learning concepts and techniques, Product Managers can enhance their ability to identify product opportunities, understand customer needs, and develop innovative products that leverage machine learning.
Data Scientist
Data Scientists gather and interpret vast amounts of data to extract meaningful insights. This course can help develop the foundational knowledge and practical skills needed to succeed as a Data Scientist. The course provides a comprehensive overview of machine learning concepts, including supervised and unsupervised learning methods. The hands-on tutorials using Python and Colab will equip learners with the technical proficiency to apply these concepts to real-world data analysis and problem-solving. Overall, this course can significantly enhance one's ability to become a successful Data Scientist.
Software Engineer
Software Engineers design, develop, and maintain software applications. This course provides a valuable foundation in machine learning, a rapidly growing field that is transforming software development. By gaining expertise in machine learning concepts and techniques, Software Engineers can enhance their ability to create more intelligent and efficient software applications. The course covers supervised and unsupervised learning methods, model evaluation, and optimization strategies, equipping learners with the knowledge and skills to leverage machine learning in their software development projects.
Consultant
Consultants provide expert advice and guidance to organizations on a wide range of topics. This course provides a valuable foundation in machine learning, a field that is increasingly used to solve complex business problems. By gaining expertise in machine learning concepts and techniques, Consultants can enhance their ability to provide valuable insights and recommendations to their clients.
Technical Writer
Technical Writers create documentation and other materials to explain complex technical concepts. This course provides a valuable foundation in machine learning, a field that is rapidly evolving and generating new terminology and concepts. By gaining expertise in machine learning concepts and techniques, Technical Writers can enhance their ability to create clear and accurate documentation that helps users understand and leverage machine learning technology.
Educator
Educators teach students about various subjects and skills. This course provides a valuable foundation in machine learning, a field that is rapidly growing and transforming industries. By gaining expertise in machine learning concepts and techniques, Educators can enhance their ability to teach students about this important field and prepare them for future careers in technology.

Reading list

We've selected 13 books that we think will supplement your learning. Use these to develop background knowledge, enrich your coursework, and gain a deeper understanding of the topics covered in Apprivoiser l’apprentissage automatique.
Ce livre fournit une introduction complète à l'apprentissage automatique, couvrant les concepts de base, les algorithmes et les applications pratiques. Il est écrit dans un style clair et concis, avec de nombreux exemples et exercices.
Ce livre est un texte complet sur l'apprentissage profond, couvrant les concepts de base, l'architecture des réseaux de neurones et les applications pratiques. Il est écrit par trois des principaux chercheurs dans le domaine.
Ce livre est un guide pratique de l'apprentissage automatique avec les bibliothèques Python Scikit-Learn, Keras et TensorFlow. Il couvre un large éventail de sujets, de l'introduction aux concepts de base aux techniques avancées.
Ce livre est un texte classique sur l'apprentissage statistique, couvrant un large éventail de sujets, de la régression à la classification en passant par l'apprentissage non supervisé. Il est écrit dans un style clair et concis, avec de nombreux exemples et exercices.
Ce livre est une introduction à l'apprentissage profond avec Python. Il couvre les concepts de base, l'architecture des réseaux de neurones et les applications pratiques.
Ce livre est un guide pratique de l'apprentissage automatique avec des exemples de code en Python. Il couvre un large éventail de sujets, de l'introduction aux concepts de base aux techniques avancées.
Ce livre est un recueil de recettes pour l'apprentissage automatique avec Python. Il fournit des solutions à des problèmes courants et des conseils pour améliorer les performances des modèles.
Ce livre est un guide pratique de l'apprentissage automatique pour la finance. Il couvre un large éventail de sujets, de l'introduction aux concepts de base aux applications pratiques.
Ce livre est un texte complet sur la reconnaissance de formes et l'apprentissage automatique, couvrant les concepts de base, les algorithmes et les applications pratiques. Il est écrit dans un style clair et concis, avec de nombreux exemples et exercices.
Ce livre est un guide pratique de l'apprentissage automatique pour la santé. Il couvre un large éventail de sujets, de l'introduction aux concepts de base aux applications pratiques.
Ce livre est un guide pratique de l'apprentissage automatique avec Python. Il couvre un large éventail de sujets, de l'introduction aux concepts de base aux techniques avancées.
Ce livre est une introduction à l'apprentissage automatique pour les débutants. Il couvre les concepts de base, les algorithmes et les applications pratiques dans un style clair et convivial.

Share

Help others find this course page by sharing it with your friends and followers:

Similar courses

Here are nine courses similar to Apprivoiser l’apprentissage automatique.
Développeur Python | Formation Complète 2024
Most relevant
Orthography & Pronunciation - French - Advanced
Most relevant
Choisir la Meilleure Méthode pour Illustrer les Données
Most relevant
Administration système et services d’infrastructure...
Most relevant
Administration système et services d’infrastructure...
Most relevant
Fondamentaux de la science des données
Most relevant
Compétences Excel pour l’entreprise : les notions clés
Most relevant
Créér une plateforme d'aprentissage avec SQL, C# et...
Most relevant
Programmation et Politiques Financières, Première Partie:...
Most relevant
Our mission

OpenCourser helps millions of learners each year. People visit us to learn workspace skills, ace their exams, and nurture their curiosity.

Our extensive catalog contains over 50,000 courses and twice as many books. Browse by search, by topic, or even by career interests. We'll match you to the right resources quickly.

Find this site helpful? Tell a friend about us.

Affiliate disclosure

We're supported by our community of learners. When you purchase or subscribe to courses and programs or purchase books, we may earn a commission from our partners.

Your purchases help us maintain our catalog and keep our servers humming without ads.

Thank you for supporting OpenCourser.

© 2016 - 2024 OpenCourser