Prérequis et travail préliminaire

Le cours d'initiation au machine learning correspond-il à vos besoins ?

J'ai une expérience très limitée, ou aucune expérience, en machine learning.
Nous vous conseillons d'aborder chaque module du cours dans l'ordre.
J'ai une certaine expérience du machine learning, mais souhaite actualiser et approfondir mes connaissances sur le sujet.
Le cours d'initiation au machine learning sera parfait pour vérifier vos acquis. Vous pouvez aborder tous les modules dans l'ordre ou uniquement ceux qui vous intéressent.
Je maîtrise le machine learning, mais connais mal TensorFlow.
Une bonne partie des informations du cours vous paraîtront sans doute trop basiques. Plutôt que d'aborder les modules dans l'ordre, accédez directement aux suivants :
Le cours d'initiation au machine learning aborde en priorité les API de haut niveau. Si vous souhaitez apprendre à utiliser les API TensorFlow de bas niveau (pour effectuer des recherches en machine learning, par exemple), accédez plutôt aux ressources suivantes :

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 :

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

Algèbre linéaire

Trigonométrie

Statistiques

Calcul (facultatif, pour les sujets avancés)

Programmation en Python

Python basique

Les bases suivantes de Python sont abordées dans le Didacticiel de Python :

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)

Pandas (pour la manipulation des données)

NumPy (pour les opérations mathématiques de base)

scikit-learn (pour les métriques d'évaluation)

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 :

Envoyer des commentaires concernant…

Cours d'initiation au machine learning