Le cours d'initiation au machine learning correspond-il à vos besoins ?
Lisez les sections Prérequis et Travail préalable ci-dessous avant de commencer le cours d'initiation au machine learning, afin de vous préparer à suivre tous les modules.
Prérequis
Le cours d'initiation au machine learning ne nécessite aucune connaissance préalable dans le domaine du machine learning. Cependant, pour comprendre les concepts présentés et réaliser les exercices, il est recommandé que les étudiants possèdent les prérequis suivants :
Maîtrise des bases de l'algèbre. Vous devez être à l'aise avec les variables et les coefficients, les équations linéaires, les graphiques de fonctions et les histogrammes. (Toute connaissance de concepts mathématiques plus avancés tels que les logarithmes et les dérivées peut être utile, mais n'est pas indispensable.)
Maîtrise des bases de la programmation et expérience en Python. Les exercices de programmation du cours d'initiation au machine learning sont écrits en Python avec TensorFlow. Aucune expérience préalable avec TensorFlow n'est nécessaire, mais vous devez être capable de lire et d'écrire un code Python utilisant des concepts de programmation de base, telles que les définitions et invocations de fonctions, les listes et dictionnaires, les boucles et les expressions conditionnelles.
Travail préalable
Les exercices de programmation fonctionnent directement dans votre navigateur (aucune configuration requise) avec la plate-forme Colaboratory. Cette plate-forme est compatible avec la plupart des principaux navigateurs, mais a fait l'objet des tests les plus complets sur les versions classiques de Chrome et Firefox. Si vous préférez télécharger et exécuter les exercices hors connexion, consultez ces instructions relatives à la configuration d'un environnement local.
Premiers pas avec Pandas
Les exercices de programmation du cours d'initiation au machine learning utilisent la bibliothèque Pandas pour la manipulation des ensembles de données. Si vous ne connaissez pas Pandas, nous vous conseillons de suivre le didacticiel Présentation rapide de Pandas tutorial, qui aborde les principales fonctionnalités de Pandas utilisées dans les exercices.
Les bases de TensorFlow
Les exercices de programmation du cours d'initiation au machine learning utilisent l'API tf.estimator de haut niveau pour configurer les modèles. Si vous souhaitez créer des modèles TensorFlow entièrement nouveaux, effectuez les didacticiels suivants :
- TensorFlow Hello World: "Hello World" codé en TensorFlow de base.
- Concepts de programmation de TensorFlow : Présentations des comportements fondamentaux d'une application TensorFlow : Tensors, opérations, graphes et sessions.
- Création et manipulation de Tensors : Rudiments de l'utilisation des Tensors : l'abstraction centrale de la programmation avec TensorFlow. Fournit également un rappel sur l'addition et la multiplication matricielles en algèbre linéaire.
Concepts clés et outils
Le cours d'initiation au machine learning présente et applique les concepts et outils suivants. Pour en savoir plus, consultez les ressources en lien.
Mathématiques
Algèbre
- Variables, coefficients, et fonctions
- Équations linéaires telles que \(y = b + w_1x_1 + w_2x_2\)
- Logarithmes et équations logarithmiques telles que \(y = ln(1+ e^z)\)
- Fonction sigmoïde
Algèbre linéaire
Trigonométrie
- Tanh (présentée comme une fonction d'activation ; aucune connaissance préalable requise)
Statistiques
- Moyenne, médiane, anomalies, et écart type
- Capacité à lire un histogramme
Calcul (facultatif, pour les sujets avancés)
- Concept de dérivée (vous n'aurez pas besoin de calculer des dérivées)
- Gradient ou pente
- Dérivées partielles (étroitement liées aux gradients)
- Théorème de dérivation des fonctions composées (pour une compréhension complète de l'algorithme de rétropropagation pour l'apprentissage des réseaux de neurones)
Programmation en Python
Python basique
Les bases suivantes de Python sont abordées dans le Didacticiel de Python :
Définition et appel de fonctions, au moyen de paramètres positionnels et mots clés
Dictionnaires, listes, ensembles (création, accès et itération)
Boucles
for, Bouclesforavec plusieurs variables d'itération (par exemple,for a, b in [(1,2), (3,4)])Mise en forme de chaînes (par exemple,
'%.2f' % 3.14)Variables, affectation, types de données de base (
int,float,bool,str)
Python intermédiaire
Les fonctionnalités plus avancées suivantes de Python sont également abordées dans le Didacticiel de Python :
Bibliothèques Python tierces
Les exemples de code du cours d'initiation au machine learning utilisent les fonctionnalités suivantes de bibliothèques tierces. Il n'est pas nécessaire de connaître ces bibliothèques avant de commencer. Vous pourrez consulter les informations dont vous avez besoin au fur et à mesure.
Matplotlib (pour la visualisation des données)
Seaborn (pour les cartes de densité)
- Fonction
heatmap
Pandas (pour la manipulation des données)
- Classe
DataFrame
NumPy (pour les opérations mathématiques de base)
scikit-learn (pour les métriques d'évaluation)
- Module métriques
Terminal Bash / Cloud Console
Pour exécuter les exercices de programmation sur votre machine locale ou sur une console Cloud, vous devez être capable de travailler sur la ligne de commande :
