L'apprentissage automatique est une sous-branche de l'intelligence artificielle (IA) qui consiste à construire des modèles et des algorithmes capables d'apprendre à partir de données et de faire des prédictions. L'apprentissage automatique a révolutionné des industries allant de la finance aux soins de santé, et a permis des avancées dans la reconnaissance d'images, le traitement du langage naturel et les véhicules autonomes. Dans ce cours, vous acquérerez une solide compréhension des concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et non supervisé, la sélection et l'ingénierie de fonctionnalités, la sélection et l'évaluation de modèles, ainsi que l'apprentissage en profondeur. Vous apprendrez également comment implémenter des algorithmes d'apprentissage automatique en utilisant des outils open-source populaires comme Python, TensorFlow et scikit-learn. À la fin du cours, vous aurez développé les compétences pour construire, entraîner et évaluer des modèles d'apprentissage automatique sur des ensembles de données réels.
Instructor led
Être formé par des experts de l'industrie
Nos cours sont dispensés par des professionnels avec des années d'expérience ayant appris de première main les meilleures techniques, concepts et derniers outils demandés.Programme de certification officielle
Notre programme est mis à jour régulièrement avec le dernier syllabus de certification officielle afin de vous préparer pour l'examen.Crédit d'impôt
Revendiquez jusqu'à 25% des frais de scolarité et des crédits d'impôt pour frais de scolarité de vos impôts.Réduction sur le bon de certification
Un bon de réduction jusqu'à 50% sera fourni.Accès au laboratoire 24/7
Nos étudiants ont accès à leurs laboratoires et à leur matériel de cours à toute heure du jour ou de la nuit pour maximiser leur potentiel d'apprentissage et garantir leur réussite.Machine learning
Ce module présente l'introduction de base de l'apprentissage automatique avec des concepts tels que l'apprentissage par renforcement, les arbres de décision, les réseaux de neurones, les machines à vecteurs de support, le regroupement, l'analyse de régression, l'ingénierie des caractéristiques, la validation croisée, le compromis biais-variance, le surajustement et le sous-ajustement qui sont utilisés pour évaluer les modèles.
Ce module explique les concepts d'algèbre linéaire tels que les vecteurs et les matrices, les transformations linéaires, les valeurs propres et les vecteurs propres, l'orthogonalité et la projection, la décomposition en valeurs singulières (SVD), les opérations matricielles, les déterminants et le rang, les systèmes d'équations linéaires, les normes et les distances, les espaces vectoriels et les sous-espaces, les statistiques, la théorie de la probabilité, les statistiques inférentielles, la corrélation et l'analyse de régression, les distributions d'échantillonnage, la conception et l'analyse expérimentale, les modèles statistiques, l'estimation du maximum de vraisemblance (MLE), les statistiques bayésiennes et l'inférence.
Ce module explique les concepts de prétraitement des données tels que le nettoyage des données, la transformation, la réduction des données, la discrétisation des données et l'échantillonnage des données.
Ce module explique les concepts de régression tels que la régression linéaire, la régression polynomiale, la régularisation, les métriques d'évaluation (MSE, RMSE, R carré, MAE) et les sujets de classification tels que la régression logistique, les méthodes de Bayes, les arbres de décision, les forêts aléatoires et les métriques d'évaluation (exactitude, précision, rappel, score F1, courbe ROC, AUC).
Ce module explique les algorithmes de clustering tels que K-Means, le clustering hiérarchique, les techniques de réduction de la dimensionnalité, les métriques d'évaluation de clustering, la mise à l'échelle et la normalisation des fonctionnalités et les applications de clustering et de réduction de la dimensionnalité dans divers domaines.
Ce module vous apprend sur les réseaux de neurones artificiels (ANN), la rétropropagation, les réseaux de neurones convolutifs (CNN), les réseaux de neurones récurrents (RNN), l'apprentissage profond, le transfert de connaissances et les réseaux antagonistes génératifs (GAN).
Ce module explique le prétraitement du texte, l'étiquetage des parties du discours (POS), l'analyse de sentiment, la modélisation de sujets, la modélisation de langue, la traduction automatique et la classification de texte.
Ce module fournit des informations sur les données de séries chronologiques, la stationnarité, l'autocorrélation et l'autocorrélation partielle, le modèle ARIMA, le lissage exponentiel et les réseaux LSTM.
Ce module explique les concepts tels que les processus de décision de Markov, les politiques, les fonctions de valeur, l'apprentissage Q, l'exploration par rapport à l'exploitation, la fonction de récompense et l'apprentissage par différence temporelle.
Ce module explique la division entraînement/test, la validation croisée, l'équilibre biais-variance, les métriques d'évaluation, la recherche de grille et le réglage des hyperparamètres, le vote et la sélection de modèle.
Ce module explique la recherche de grille, la recherche aléatoire, l'optimisation bayésienne, la validation croisée, la surajustement et le sous-ajustement et les mesures de performance.
Ce module explique les concepts tels que le déploiement de modèles, la version des modèles, la conteneurisation, le déploiement dans le cloud, le développement d'API, la surveillance des performances, la sécurité et la confidentialité, la scalabilité et l'intégration et le déploiement continus.
Nous encourageons tous les candidats intéressés à postuler, mais pour entrer dans notre programme de certification, vous devez :
Être intéressé par l'acquisition de connaissances en informatique et entrer dans le domaine de l'informatique du monde réel, changer de carrière dans l'informatique ou postuler pour des postes d'entrée de gamme.
Certification en apprentissage automatique.
Après avoir terminé ce cours de certification, vous pourrez :