Apprentissage Automatique Supervisé

Learn the Machine Learning concepts and the ML project workflow.

Preprocessing is probably the most important stage of an ML project. This chapter covers the preprocessing steps needed for almost any dataset.

A pipeline is a neat way to combine all the preprocessing steps as well as a model. Pipelines make it much easier to train and use a model.

Modeling is the most fun stage of an ML project. Let's learn to build, fine-tune and evaluate the model!

Commençons par le modèle de régression linéaire le plus simple. Vous découvrirez le concept de la régression linéaire et la manière de réaliser des prédictions en Python.

La plupart des tâches de prédiction réelles impliquent plus d'une variable. Vous apprendrez à gérer la régression linéaire avec plusieurs variables explicatives.

Une droite ne décrit pas toujours correctement les données. Apprenons à construire un modèle plus complexe pour la prédiction. C'est à cela que sert la régression polynomiale.

Maintenant que vous savez comment construire plusieurs modèles de régression linéaire, il est nécessaire de disposer d'une méthode pour sélectionner le meilleur. Cela est possible grâce à l'utilisation de métriques. Cette section présente les métriques les plus couramment utilisées ainsi que les difficultés potentielles liées à leur utilisation.

Cette section présente les principes fondamentaux de l'apprentissage par renforcement, en abordant ses caractéristiques distinctives, ses bases mathématiques et la manière dont les agents apprennent par interaction et retour d'information. Vous manipulerez également des outils essentiels pour vous préparer à la conception et à l'entraînement de vos premiers agents RL.

Cette section explore le problème du bandit manchot — un excellent cadre pour comprendre le dilemme exploration-exploitation. Vous étudierez et mettrez en œuvre des algorithmes qui aident les agents à prendre des décisions dans l'incertitude, en équilibrant la maximisation de la récompense avec la nécessité d'explorer.

Cette section présente la programmation dynamique comme une méthode puissante pour résoudre les problèmes d'apprentissage par renforcement lorsqu'un modèle complet de l'environnement est disponible. Vous apprendrez à évaluer et à améliorer les politiques à l'aide des équations de Bellman et à explorer des techniques fondamentales telles que l'itération de politique, l'itération de valeur et l'itération de politique généralisée — établissant ainsi la base théorique pour les futures méthodes sans modèle.

Cette section présente les méthodes de Monte Carlo pour l'apprentissage des fonctions de valeur et des politiques à partir d'épisodes complets d'expérience. Vous explorerez les approches sur politique et hors politique, comprendrez comment l'exploration influence l'apprentissage, et mettrez en œuvre des techniques incrémentales pour estimer efficacement les retours — le tout sans nécessiter de modèle de l'environnement.

Cette section présente l'apprentissage par différence temporelle (TD), une méthode fondamentale en apprentissage par renforcement qui combine des concepts issus de Monte Carlo et de la programmation dynamique. Vous apprendrez à estimer des fonctions de valeur à partir d'épisodes incomplets, à explorer les approches sur politique (SARSA) et hors politique (Q-learning), et à découvrir comment les méthodes Monte Carlo et l'apprentissage TD peuvent être combinées.

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.