Le didacticiel d'apprentissage automatique couvre les concepts de base et avancés, spécialement conçus pour répondre aux besoins des étudiants et des professionnels expérimentés.

Ce didacticiel d'apprentissage automatique vous aide à acquérir une solide introduction aux principes fondamentaux de l'apprentissage automatique et à explorer un large éventail de techniques, notamment l'apprentissage supervisé, non supervisé et par renforcement.

nœud de liste Java

L'apprentissage automatique (ML) est un sous-domaine de l'intelligence artificielle (IA) qui se concentre sur le développement de systèmes qui apprennent (ou améliorent les performances) en fonction des données qu'ils ingèrent. L'intelligence artificielle est un mot large qui fait référence à des systèmes ou des machines qui ressemblent à l'intelligence humaine. L’apprentissage automatique et l’IA sont fréquemment abordés ensemble, et les termes sont parfois utilisés de manière interchangeable, bien qu’ils ne signifient pas la même chose. Une distinction cruciale est que, même si tout apprentissage automatique relève de l’IA, toute l’IA n’est pas nécessairement un apprentissage automatique.

Qu’est-ce que l’apprentissage automatique ?

L'apprentissage automatique est le domaine d'étude qui donne aux ordinateurs la capacité d'apprendre sans être explicitement programmés. Le ML est l’une des technologies les plus passionnantes que l’on puisse jamais rencontrer. Comme son nom l’indique, cela donne à l’ordinateur ce qui le rend plus semblable aux humains : la capacité d’apprendre. L’apprentissage automatique est activement utilisé aujourd’hui, peut-être dans bien plus d’endroits qu’on pourrait le penser.

Articles récents sur l'apprentissage automatique

Table des matières

• Introduction
• Apprentissage non supervisé
• Apprentissage par renforcement
• Réduction de dimensionnalité
• Traitement du langage naturel
• Les réseaux de neurones
• ML – Déploiement
• ML-Applications
• Divers

Caractéristiques de l'apprentissage automatique

• L’apprentissage automatique est une technologie basée sur les données. Grande quantité de données générées quotidiennement par les organisations. Ainsi, grâce à des relations notables entre les données, les organisations prennent de meilleures décisions.
• La machine peut apprendre elle-même des données passées et s’améliorer automatiquement.
• À partir de l'ensemble de données donné, il détecte divers modèles sur les données.
• Pour les grandes organisations, l’image de marque est importante et il deviendra plus facile de cibler une clientèle pertinente.
• Cette méthode est similaire à l’exploration de données car elle traite également d’une énorme quantité de données.

Introduction :

1. Premiers pas avec l'apprentissage automatique
2. Une introduction à l'apprentissage automatique
3. Qu’est-ce que l’apprentissage automatique ?
4. Introduction aux données dans l'apprentissage automatique
5. Démystifier l'apprentissage automatique
6. ML-Applications
7. Meilleures bibliothèques Python pour l'apprentissage automatique
8. Intelligence artificielle | Une introduction
9. Apprentissage automatique et intelligence artificielle
10. Différence entre l'apprentissage automatique et l'intelligence artificielle
11. Agents en intelligence artificielle
12. 10 questions d'entretien de base sur l'apprentissage automatique

Comprendre le traitement des données

Python | Créer des ensembles de données de test à l'aide de Sklearn

Python | Générer des ensembles de données de test pour l'apprentissage automatique

Python | Prétraitement des données en Python

Nettoyage des données

Mise à l'échelle des fonctionnalités - Partie 1

Mise à l'échelle des fonctionnalités - Partie 2

Python | Étiquette Encodage des ensembles de données

Python | Un encodage à chaud des ensembles de données

Gestion des données déséquilibrées avec SMOTE et l'algorithme Near Miss en Python

Piège à variable factice dans les modèles de régression

Enseignement supervisé :

1. Premiers pas avec la classification
2. Concept de base de la classification
3. Types de techniques de régression
4. Classification vs régression
5. ML | Types d’apprentissage – Apprentissage supervisé
6. Classification multiclasse à l'aide de scikit-learn
7. Descente graduelle :
   • Algorithme de descente de gradient et ses variantes
   • Descente de gradient stochastique (SGD)
   • Descente de dégradé en mini-lots avec Python
   • Techniques d'optimisation pour la descente de gradient
   • Introduction à l'optimiseur de dégradé basé sur Momentum
8. Régression linéaire :
   • Introduction à la régression linéaire
   • Descente de gradient en régression linéaire
   • Explication mathématique du fonctionnement de la régression linéaire
   • Équation normale en régression linéaire
   • Régression linéaire (implémentation Python)
   • Régression linéaire simple utilisant R
   • Régression linéaire univariée en Python
   • Régression linéaire multiple à l'aide de Python
   • Régression linéaire multiple utilisant R
   • Régression linéaire pondérée localement
   • Modèles linéaires généralisés
   • Python | Régression linéaire utilisant Sklearn
   • Régression linéaire utilisant Tensorflow
   • Une approche pratique de la régression linéaire simple utilisant R
   • Régression linéaire à l'aide de PyTorch
   • Pyspark | Régression linéaire à l'aide d'Apache MLlib
     
   • ML | Boston Housing Kaggle Challenge avec régression linéaire
9. Python | Implémentation de Régression polynomiale
10. Régression Softmax utiliser TensorFlow
11. Régression logistique :
    • Comprendre la régression logistique
    • Pourquoi la régression logistique en classification ?
    • Régression logistique à l'aide de Python
    • Fonction de coût dans la régression logistique
    • Régression logistique à l'aide de Tensorflow
12. Bayes naïf Classificateurs
13. Vecteur de support :
    • Machines vectorielles de support (SVM) en Python
    • Réglage des hyperparamètres SVM à l'aide de GridSearchCV
    • Machines à vecteurs de support (SVM) dans R
    • Utiliser SVM pour effectuer une classification sur un ensemble de données non linéaires
14. Arbre de décision:
15. • Arbre de décision
    • Régression d'arbre de décision à l'aide de sklearn
    • Introduction à l'arbre de décision avec exemple
    • Implémentation d'un arbre de décision à l'aide de Python
    • Arbre de décision en génie logiciel
15. Forêt aléatoire :
    • Régression de forêt aléatoire en Python
    • Classificateur d'ensemble
    • Classificateur de vote utilisant Sklearn
      
    • Classificateur d'ensachage

Apprentissage non supervisé :

1. ML | Types d’apprentissage – Apprentissage non supervisé
2. Apprentissage supervisé et non supervisé
3. Clustering dans l'apprentissage automatique
4. Différents types d'algorithmes de clustering
5. K signifie Clustering – Introduction
6. Méthode du coude pour la valeur optimale de k dans KMeans
7. Piège d'initialisation aléatoire dans K-Means
8. ML | Algorithme K-means++
9. Analyse des données de test à l'aide du clustering K-Means en Python
10. Algorithme de clustering Mini Batch K-means
11. Clustering à décalage moyen
12. DBSCAN – Clustering basé sur la densité
13. Implémentation de l'algorithme DBSCAN à l'aide de Sklearn
14. Clustering flou
15. Regroupement spectral
16. Clustering OPTIQUE
17. Implémentation du clustering OPTICS à l'aide de Sklearn
18. Clustering hiérarchique (clustering agglomératif et divisif)
19. Implémentation du clustering agglomératif à l'aide de Sklearn
20. Modèle de mélange gaussien

Apprentissage par renforcement:

1. Apprentissage par renforcement
2. Algorithme d'apprentissage par renforcement : implémentation Python à l'aide de Q-learning
3. Introduction à l'échantillonnage de Thompson
4. Algorithme génétique pour l'apprentissage par renforcement
5. Apprentissage par renforcement SARSA
6. Q-Learning en Python

Réduction de dimensionnalité :

1. Introduction à la réduction de dimensionnalité
2. Introduction au noyau PCA
3. Analyse en composantes principales (ACP)
4. Analyse en composantes principales avec Python
5. Approximations de bas rang
6. Présentation de l'analyse discriminante linéaire (LDA)
7. Explication mathématique de l'analyse discriminante linéaire (LDA)
8. Analyse Discriminante Généralisée (GDA)
9. Analyse indépendante des composants
10. Cartographie des fonctionnalités
11. Classificateur d'arborescence supplémentaire pour la sélection de fonctionnalités
12. Test du chi carré pour la sélection des fonctionnalités - Explication mathématique
13. ML | Algorithme d'intégration de voisin stochastique distribué en T (t-SNE)
14. Python | Comment et où appliquer la mise à l'échelle des fonctionnalités ?
15. Paramètres de sélection des fonctionnalités
16. Sous-apprentissage et surapprentissage dans l’apprentissage automatique

Traitement du langage naturel :

1. Introduction au traitement du langage naturel
2. Prétraitement de texte en Python | Ensemble – 1
3. Prétraitement de texte en Python | Ensemble 2
4. Supprimer les mots vides avec NLTK en Python
5. Tokeniser le texte en utilisant NLTK en python
6. Comment fonctionne la tokenisation du texte, de la phrase et des mots
7. Introduction au stemming
8. Mots radicaux avec NLTK
9. Lemmatisation avec NLTK
10. Lemmatisation avec TextBlob
11. Comment obtenir des synonymes/antonymes de NLTK WordNet en Python ?

Les réseaux de neurones :

1. Introduction aux réseaux neutres artificiels | Ensemble 1
2. Introduction au réseau de neurones artificiels | Ensemble 2
3. Introduction à ANN (réseaux de neurones artificiels) | Ensemble 3 (systèmes hybrides)
4. Introduction à ANN | Ensemble 4 (Architectures de réseau)
5. Fonctions d'activation
6. Implémentation du processus de formation des réseaux de neurones artificiels en Python
7. Un réseau neuronal à neurones uniques en Python
8. Réseaux de neurones convolutifs
   • Introduction au réseau neuronal à convolution
   • Introduction à la couche de pooling
   • Introduction au rembourrage
   • Types de rembourrage dans la couche de convolution
   • Application d'un réseau de neurones convolutifs sur un ensemble de données mnist
9. Réseaux de neurones récurrents
   • Introduction au réseau neuronal récurrent
   • Explication des réseaux de neurones récurrents
   • modèle seq2seq
   • Introduction à la mémoire à long terme et à court terme
   • Explication des réseaux de mémoire à long terme et à court terme
   • Réseaux d'unités récurrentes fermées (GAN)
   • Génération de texte à l'aide de réseaux d'unités récurrentes fermées
10. GAN – Réseau contradictoire génératif
    • Introduction au réseau contradictoire génératif
    • Réseaux adverses génératifs (GAN)
    • Cas d'utilisation des réseaux adverses génératifs
    • Construire un réseau contradictoire génératif à l'aide de Keras
    • Effondrement modal dans les GAN
11. Introduction au Deep Q-Learning
12. Implémentation du Deep Q-Learning à l'aide de Tensorflow

ML – Déploiement :

1. Déployez votre application Web Machine Learning (Streamlit) sur Heroku
2. Déployer un modèle d'apprentissage automatique à l'aide de la bibliothèque Streamlit
3. Déployer un modèle d'apprentissage automatique à l'aide de Flask
4. Python – Créez des interfaces utilisateur pour le prototypage d'un modèle d'apprentissage automatique avec Gradio
5. Comment préparer les données avant de déployer un modèle d'apprentissage automatique ?
6. Déployer des modèles ML en tant qu'API à l'aide de FastAPI
   
7. Déploiement de Scrapy Spider sur ScrapingHub

ML – Applications :

1. Prédiction des précipitations à l'aide de la régression linéaire
2. Identifier des chiffres manuscrits à l'aide de la régression logistique dans PyTorch
3. Diagnostic du cancer du sein Kaggle Wisconsin à l'aide de la régression logistique
4. Python | Mise en œuvre du système de recommandation de films
5. Prise en charge de Vector Machine pour reconnaître les traits du visage en C++
6. Arbres de décision – Puzzle de fausses pièces (contrefaites) (puzzle de 12 pièces)
7. Détection de fraude par carte de crédit
8. Analyse PNL des avis sur les restaurants
9. Application de Bayes naïfs multinomiaux aux problèmes de PNL
10. Compression d'images à l'aide du clustering K-means
11. Apprentissage profond | Génération de légendes d'images à l'aide des personnages d'Avengers EndGames
12. Comment Google utilise-t-il l’apprentissage automatique ?
13. Comment la NASA utilise-t-elle l’apprentissage automatique ?
14. 5 façons époustouflantes dont Facebook utilise l'apprentissage automatique
    
15. Publicité ciblée utilisant l'apprentissage automatique
16. Comment l’apprentissage automatique est-il utilisé par des entreprises célèbres ?

Divers :

1. Reconnaissance de formes | Introduction
2. Calculer l'efficacité du classificateur binaire
3. Régression logistique vs classification de l'arbre de décision
4. R vs Python en science des données
5. Explication des fonctions fondamentales impliquées dans l'algorithme A3C
6. Confidentialité différentielle et apprentissage profond
7. Intelligence artificielle vs Machine Learning vs Deep Learning
8. Introduction à l'apprentissage multitâche (MTL) pour le Deep Learning
9. Top 10 des algorithmes que tout ingénieur en machine learning devrait connaître
10. Machine virtuelle Azure pour l'apprentissage automatique
11. 30 minutes pour l'apprentissage automatique
12. Qu’est-ce qu’AutoML dans l’apprentissage automatique ?
13. Matrice de confusion dans l'apprentissage automatique

Prérequis pour apprendre le machine learning

• Connaissance des équations linéaires, des graphiques de fonctions, des statistiques, de l'algèbre linéaire, des probabilités, du calcul, etc.
• Toute connaissance des langages de programmation comme Python, C++, R est recommandée.

FAQ sur le didacticiel d'apprentissage automatique

Q.1 Qu'est-ce que le Machine Learning et en quoi est-il différent du Deep Learning ?

Répondre :

égalité des objets en Java

L'apprentissage automatique développe des programmes capables d'accéder aux données et d'en tirer des leçons. Le deep learning est le sous-domaine du machine learning. L'apprentissage profond prend en charge l'extraction automatique des fonctionnalités des données brutes.

Q.2. Quels sont les différents types d’algorithmes de machine learning ?

Répondre :

avantages et inconvénients de la technologie

• Algorithmes supervisés : ce sont les algorithmes qui apprennent des données étiquetées, par ex. images étiquetées avec un visage de chien ou non. L'algorithme dépend de données supervisées ou étiquetées. par exemple. régression, détection d'objets, segmentation.
• Algorithmes non supervisés : ce sont les algorithmes qui apprennent des données non étiquetées, par ex. groupe d'images donné pour créer un ensemble d'images similaire. par exemple. clustering, réduction de dimensionnalité, etc.
• Algorithmes semi-supervisés : algorithmes qui utilisent à la fois des données supervisées ou non supervisées. La majorité des données utilisées par ces algorithmes ne sont pas des données supervisées. par exemple. détection d'anamolie.

Q.3. Pourquoi utilisons-nous l’apprentissage automatique ?

Répondre :

L'apprentissage automatique est utilisé pour prendre des décisions basées sur des données. En modélisant les algorithmes sur la base de données historiques, les algorithmes trouvent des modèles et des relations difficiles à détecter pour les humains. Ces modèles sont désormais davantage utilisés pour les références futures afin de prédire la solution de problèmes invisibles.

Q.4. Quelle est la différence entre l'intelligence artificielle et l'apprentissage automatique ?

Répondre :

INTELLIGENCE ARTIFICIELLE	APPRENTISSAGE AUTOMATIQUE
Développez un système intelligent qui effectue une variété de tâches complexes.	Construisez des machines qui ne peuvent accomplir que les tâches pour lesquelles ils ont été formés.
Cela fonctionne comme un programme qui effectue un travail intelligent.	La machine des systèmes de tâches prend des données et apprend à partir des données.
L’IA a une grande variété d’applications.	Le ML permet aux systèmes d'apprendre de nouvelles choses à partir des données.
L’IA mène la sagesse.	Le ML mène à la connaissance.