Prérequis et travail préparatoire

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 recommandons de suivre l'ensemble du contenu dans l'ordre.

COMMENCER L'APPRENTISSAGE

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 rafraîchir vos connaissances. Parcourez tous les modules dans l'ordre ou sélectionnez uniquement ceux qui vous intéressent.

COMMENCER L'APPRENTISSAGE

J'ai une expérience pratique de l'application des concepts de machine learning pour travailler avec des données et créer des modèles.

Bien que le cours d'initiation au machine learning puisse vous être utile pour rafraîchir vos connaissances sur les concepts fondamentaux du machine learning, vous pouvez également explorer certains de nos cours avancés sur le machine learning, qui couvrent les outils et les techniques permettant de résoudre des problèmes de machine learning dans divers domaines.

COMMENCER L'APPRENTISSAGE

Je recherche des tutoriels sur l'utilisation d'API de ML comme Keras.

Bien que le cours d'initiation au machine learning inclue plusieurs exercices de programmation qui utilisent des bibliothèques de ML telles que numpy, pandas et Keras, il est principalement axé sur l'enseignement des concepts de ML et n'aborde pas en profondeur les API de ML. Pour obtenir d'autres ressources Keras, consultez les guides du développeur Keras.

Lisez les sections Travail préalable et Prérequis ci-dessous avant de commencer le cours d'initiation au machine learning, afin de vous préparer à suivre tous les modules.

Travail préalable

Avant de commencer le cours d'initiation au machine learning, procédez comme suit:

1. Si vous débutez avec le machine learning, suivez le cours Introduction au machine learning. Ce court cours autodidacte présente les concepts fondamentaux du machine learning.
2. Si vous ne connaissez pas NumPy, effectuez l'exercice Colab Tutoriel ultrarapide sur NumPy, qui fournit toutes les informations NumPy dont vous avez besoin pour ce cours.
3. Si vous ne connaissez pas pandas, effectuez l'exercice Colab Tutoriel ultrarapide sur pandas, qui fournit toutes les informations nécessaires pour ce cours.

Les exercices de programmation s'exécutent directement dans votre navigateur (aucune configuration requise) à l'aide de la plate-forme Colaboratory. Colaboratory est compatible avec la plupart des principaux navigateurs et a fait l'objet des tests les plus complets sur les versions pour ordinateur de Chrome et de Firefox.

Prérequis

Le cours d'initiation au machine learning ne nécessite aucune connaissance préalable dans le domaine du machine learning. Toutefois, pour comprendre les concepts présentés et effectuer les exercices, nous recommandons aux participants de remplir les conditions préalables suivantes:

• Vous devez être à l'aise avec les variables, les équations linéaires, les graphiques de fonctions, les histogrammes et les moyennes statistiques.

• Vous devez être un bon programmeur. Idéalement, vous devez avoir une certaine expérience en programmation en Python, car les exercices de programmation sont en Python. Toutefois, les programmeurs expérimentés sans expérience Python peuvent généralement effectuer les exercices de programmation.

Les sections suivantes fournissent des liens vers des ressources supplémentaires utiles.

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

• Tensor et rang de tensor
• multiplication matricielle

Trigonométrie

• tanh (présentée comme une fonction d'activation ; aucune connaissance préalable requise)

Statistiques

• moyenne, médiane, valeurs aberrantes et écart type
• capacité à lire un histogramme

Calcul (facultatif, pour les sujets avancés)

• le concept de dérivée (vous n'aurez pas à calculer les dérivées) ;
• dégradé ou pente
• dérivées partielles (qui sont 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 Python

Les principes de base Python suivants sont abordés dans le tutoriel Python:

• définir et appeler des fonctions, en utilisant des paramètres positionnels et des mots clés

• dictionnaires, listes, ensembles (création, accès et itération)

• boucles for, boucles for avec plusieurs variables d'itérateur (par exemple, for a, b in [(1,2), (3,4)])

• Blocs conditionnels if/else et expressions conditionnelles

• mise en forme de chaînes (par exemple, '%.2f' % 3.14)

• Variables, affectation, types de données de base (int, float, bool, str)

Certains des exercices de programmation utilisent le concept Python plus avancé suivant:

• compréhensions de liste

Terminal Bash et console Cloud

Pour exécuter les exercices de programmation sur votre machine locale ou dans une console cloud, vous devez être à l'aise avec la ligne de commande:

• Manuel de référence Bash
• Aide-mémoire Bash
• Apprendre Shell

Centre d'aide