5 cours d'apprentissage automatique gratuits dispensés par les meilleures universités
Si vous lisez cet article, je suppose que vous savez déjà ce qu'est l'apprentissage automatique. Mais juste pour un petit rappel, il s’agit simplement de rendre les ordinateurs suffisamment intelligents pour effectuer des tâches que les humains effectuaient auparavant, par exemple prendre des présences à l’aide de la reconnaissance faciale. Quoi qu'il en soit, passons à notre discussion principale, je sais qu'il existe de nombreuses ressources disponibles concernant le ML, mais le problème est de trouver les ressources appropriées et de haute qualité. Je pense que nous pouvons tous convenir que les cours de niveau universitaire seront effectivement meilleurs en termes d’exhaustivité et de qualité. Par conséquent, dans cet article, je partagerai mes cours d’apprentissage automatique préférés des meilleures universités.
1. CS229 : Apprentissage automatique par Stanford
Lien vers le matériel d'accès : CS229 : Matériel d'apprentissage automatique
Lien YouTube : CS229 : Vidéos d'apprentissage automatique
Ce cours a différentes versions et est enseigné par différents instructeurs, mais celui que j'ai signalé est enseigné par Andrew Ng – sans conteste, l'un des meilleurs instructeurs d'apprentissage automatique. Ce cours fournit une introduction générale à l'apprentissage automatique et à la reconnaissance statistique de formes. Il couvre divers sujets tels que l'apprentissage supervisé, l'apprentissage non supervisé, la théorie de l'apprentissage, l'apprentissage par renforcement et le contrôle. Vous pouvez accéder à tout le matériel en ligne.
Plan du cours
- Régression linéaire et régression logistique
- Perceptron et modèle linéaire généralisé
- Naive Bayes, machines à vecteurs de support et noyaux
- Répartitions des données, modèles et validation croisée
- Arbres de décision et méthodes d'ensemble
- Réseaux de neurones, rétropropagation et amélioration des réseaux de neurones
- Débogage des modèles ML et analyse des erreurs
- Algorithmes d’attente-maximisation, algorithme EM et analyse factorielle
- Analyse indépendante des composants et apprentissage par renforcement
- MDP à état continu, modèle de récompense et débogage RL
2. Machine Learning avec Python : des modèles linéaires au Deep Learning par le MIT
Lien : Cours d'apprentissage automatique du MIT
Ce cours a une note de 4,1 sur edX et constitue un fantastique cours d'introduction qui couvre un large éventail de sujets d'apprentissage automatique, de l'apprentissage en profondeur à l'apprentissage par renforcement, en passant par des projets Python pratiques. Si vous débutez dans l'apprentissage automatique, approfondir un sujet spécifique peut être frustrant, et il est préférable de suivre des cours plus larges pour voir quelle partie du ML vous passionne. Désormais, le ML lui-même est considéré comme une catégorie très large, et tout apprendre en profondeur vous épuisera.
Plan du cours
- Comprendre les principes derrière les problèmes d'apprentissage automatique tels que la classification, la régression, le clustering et l'apprentissage par renforcement
- Implémenter et analyser des modèles tels que des modèles linéaires, des machines à noyau, des réseaux de neurones et des modèles graphiques
- Apprendre à choisir des modèles adaptés à différentes applications
- Mettre en œuvre et organiser des projets d'apprentissage automatique, de la formation, de la validation et du réglage des paramètres à l'ingénierie des fonctionnalités.
3. Science des données : apprentissage automatique par Harvard
Lien : Science des données : cours d'apprentissage automatique
Ce cours fait en fait partie du programme de certificat professionnel en science des données (la certification est payante, mais cette partie est disponible gratuitement). Ce projet vous présente toutes les compétences fondamentales de l'apprentissage automatique en créant un système de recommandation de films. Donc, si vous aimez apprendre en mettant en pratique les choses, ma suggestion serait de suivre ce cours.
Plan du cours
- Bases de l'apprentissage automatique
- Comment effectuer une validation croisée pour éviter le surentraînement
- Algorithmes d'apprentissage automatique populaires
- Comment construire un système de recommandation
- Qu’est-ce que la régularisation et pourquoi est-elle utile ?
4. Apprentissage automatique par l'Université Carnegie Mellon
Lien : Cours d'apprentissage automatique CMU
Si vous essayez d'explorer certains des livres célèbres de ML, je peux vous garantir que vous trouverez Machine Learning, Tom Mitchell, McGraw Hill, 1997. sur cette liste. Quoi de plus excitant que d’apprendre un cours auprès de l’instructeur de ce livre ? Ce cours couvre non seulement la théorie mais apporte également une touche pratique à l'apprentissage automatique. Des algorithmes d’apprentissage automatique aux mathématiques qui les sous-tendent, en passant par les bons outils et technologies, tout est là pour vous.
Plan du cours
- Probabilité et estimation
- Arbres de décision, Naive Bayes, régression linéaire et logistique
- Théorie de l'apprentissage et modèles graphiques
- Boosting, noyaux, SVM, marges
- Apprentissage semi-supervisé et actif
- Réseaux de neurones et apprentissage profond
- Apprentissage par renforcement et discussion sur l'avenir du ML
5. Spécialisation en mathématiques pour l'apprentissage automatique par l'Imperial College de Londres
Lien officiel : Mathématiques pour l'apprentissage automatique – Coursera
Lien YouTube : Mathématiques pour l'apprentissage automatique – (3 cours en 1 vidéo)
Enfin et surtout, je voudrais recommander un cours crucial pour quiconque cherche à faire carrière dans le ML. Les mathématiques jouent un rôle énorme dans l'apprentissage automatique et il est essentiel de bien comprendre les principes mathématiques impliqués pour interpréter les résultats produits par les algorithmes de ML. Parmi tous les cours liés aux mathématiques ML, la spécialisation « Mathématiques pour l'apprentissage automatique » sur Coursera est mon premier choix. La spécialisation comprend trois cours : algèbre linéaire, calcul multivarié et analyse en composantes principales. Chaque cours dure 4 à 6 semaines et couvre les concepts mathématiques fondamentaux nécessaires à la compréhension des algorithmes d'apprentissage automatique.
Plan du cours
- Algèbre linéaire : vecteurs, matrices, produit scalaire, vecteurs de base, modification des vecteurs de base, valeurs propres et vecteurs propres
- Calcul multivarié : différenciation à variable unique, différenciation multivariée, règle de chaîne, jacobiens, hessiens, multiplicateurs de Lagrange et séries de Taylor
- Analyse en composantes principales : statistiques, points et orthogonalité entre vecteurs, projection dans des matrices, concepts de calcul multivarié et applications de l'ACP
Conclusion
Voilà donc une collection de certains des meilleurs cours d’apprentissage automatique dispensés par les meilleures universités du monde. Si vous souhaitez explorer certaines chaînes YouTube pour apprendre l’apprentissage automatique, vous pouvez consulter mon article :
Top 15 des chaînes YouTube pour améliorer vos compétences en apprentissage automatique