Cours d'initiation au machine learning

Présentation rapide et pratique du machine learning par Google, comprenant une série de leçons comprenant des cours vidéo, des visualisations interactives et des exercices pratiques.
Démarrer le cours d'initiation Parcourir les modules du cours Afficher les prérequis
Depuis 2018, des millions de personnes dans le monde ont suivi le cours d'initiation au machine learning pour comprendre le fonctionnement et le potentiel du machine learning. Nous sommes ravis d'annoncer le lancement d'une nouvelle version du MLCC qui couvre les dernières avancées en matière d'IA, et met l'accent sur l'apprentissage interactif. Regardez cette vidéo pour en savoir plus sur la nouvelle version améliorée du MLCC.

Modules du cours

Chaque module du cours d'initiation au machine learning est autonome. Par conséquent, si vous avez une expérience préalable du machine learning, 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 régression et de classification des modèles de ML.

Introduction à la régression linéaire, couvrant les modèles linéaires, la perte, la descente de gradient et les réglages d'hyperparamètres.
Introduction à la régression logistique, où les modèles de ML sont conçus pour prédire la probabilité d'un résultat donné.
Introduction aux modèles de classification binaires, couvrant le seuil, les matrices de confusion et des métriques comme l'exactitude, la précision, le rappel et l'AUC.

Données

Ces modules présentent les techniques fondamentales et les bonnes pratiques d'utilisation 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 de données catégorielles: distinguer les données catégorielles des données numériques, représenter des données catégorielles de manière numérique à l'aide de l'encodage one-hot, du hachage de caractéristiques et de l'encodage moyen, et effectuer des croisements de caractéristiques.
Présentation des caractéristiques des ensembles de données de machine learning et de la préparation des données pour garantir des résultats de haute qualité lors de l'entraînement et de l'évaluation de votre modèle.

Modèles de ML avancés

Ces modules abordent les architectures de modèles de ML avancées.

Introduction aux principes fondamentaux des architectures de réseaux de neurones, y compris les perceptrons, les couches cachées et les fonctions d'activation.
Découvrez comment les représentations vectorielles continues permettent d'appliquer le machine learning à de grands vecteurs de caractéristiques.
Nouveau
Présentation des grands modèles de langage, des jetons aux modèles Transformer Découvrez comment les LLM apprennent à prédire la sortie textuelle, ainsi que leur architecture et leur entraînement.

ML concret

Ces modules couvrent des points essentiels 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 mise en production, l'automatisation et l'ingénierie responsable.

Découvrez comment un système de production de machine learning fonctionne sur de nombreux composants.
Nouveau
Découvrez les principes et les bonnes pratiques d'utilisation du machine learning automatisé.
Découvrez les principes et les bonnes pratiques d'audit des modèles de ML à des fins d'équité, y compris des stratégies pour identifier et atténuer les biais dans les données.