Cours d'initiation au machine learning

Présentation rapide et concrète du machine learning par Google, avec une série de vidéos animées, de visualisations interactives et d'exercices pratiques.
Démarrer le cours d'initiation Parcourir les modules du cours Afficher les prérequis Centre d'aide
Depuis 2018, des millions de personnes dans le monde entier ont suivi le cours d'initiation au machine learning pour découvrir comment il fonctionne et comment il peut leur être utile. Nous sommes ravis de vous annoncer le lancement d'une nouvelle version du MLCC qui couvre les avancées récentes de l'IA, avec un accent particulier sur l'apprentissage interactif. Regardez cette vidéo pour en savoir plus sur les nouveaux condensateurs MLCC améliorés.

Modules du cours

Chaque module du cours d'initiation au machine learning est autonome. Si vous avez déjà de l'expérience dans ce domaine, vous pouvez passer directement aux sujets qui vous intéressent. Si vous débutez avec le machine learning, nous vous recommandons de suivre les modules dans l'ordre ci-dessous.

Modèles de ML

Ces modules couvrent les principes de base de la création de modèles de régression et de classification.

Présentation de la régression linéaire, qui couvre les modèles linéaires, la perte, la descente du gradient et le réglage des hyperparamètres.
Présentation de la régression logistique, dans laquelle les modèles de ML sont conçus pour prédire la probabilité d'un résultat donné.
Présentation des modèles de classification binaire, qui couvrent le seuil, les matrices de confusion et des métriques telles que la justesse, la précision, le rappel et l'AUC.

Données

Ces modules présentent les techniques fondamentales et les bonnes pratiques à suivre pour travailler avec des données de machine learning.

Découvrez comment analyser et transformer des données numériques pour entraîner des modèles de ML plus efficacement.
Découvrez les principes de base de l'utilisation des données catégorielles: comment distinguer les données catégorielles des données numériques, comment représenter les données catégorielles numériquement à l'aide de l'encodage one-hot, du hachage de caractéristiques et de l'encodage moyen, et comment effectuer des croisements de caractéristiques.
Présentation des caractéristiques des ensembles de données de machine learning et de la façon de préparer vos données pour obtenir des résultats de haute qualité lors de l'entraînement et de l'évaluation de votre modèle.

Modèles de ML avancés

Ces modules couvrent les architectures de modèles de ML avancées.

Présentation des principes fondamentaux des architectures de réseaux de neurones, y compris des perceptrons, des couches cachées et des fonctions d'activation.
Découvrez comment les embeddings vous permettent d'effectuer du machine learning sur de grands vecteurs de caractéristiques.
Nouveau
Présentation des grands modèles de langage, des jetons aux Transformers. Découvrez les principes de base de l'apprentissage des LLM pour prédire la sortie textuelle, ainsi que leur architecture et leur entraînement.

ML dans le monde réel

Ces modules couvrent les considérations essentielles à prendre en compte lors de la création et du déploiement de modèles de ML dans le monde réel, y compris les bonnes pratiques de production, l'automatisation et l'ingénierie responsable.

Découvrez comment fonctionne un système de production de machine learning pour différents composants.
Nouveau
Découvrez les principes et les bonnes pratiques à suivre pour utiliser le machine learning automatisé.
Découvrez les principes et les bonnes pratiques à suivre pour vérifier l'équité des modèles de ML, y compris les stratégies permettant d'identifier et de limiter les biais dans les données.