Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Préparez-vous à votre entretien d'embauche dans le domaine du machine learning
Avez-vous déjà réfléchi à la manière de vous préparer adéquatement à un entretien d'embauche dans le domaine de l'apprentissage automatique ? Dans ce cours, vous préparerez des réponses à 15 questions courantes relatives au Machine Learning (ML) en Python pour un poste de data scientist.Ces questions porteront sur sept thèmes importants : le prétraitement des données, la visualisation des données, l'apprentissage supervisé, l'apprentissage non supervisé, l'ensemble de modèles, la sélection de modèles et l'évaluation de modèles.
Actualisez vos connaissances en apprentissage automatique
Vous commencerez par travailler sur des questions relatives au prétraitement et à la visualisation des données. Après avoir effectué toutes les étapes de prétraitement, vous créerez un modèle ML prédictif afin de perfectionner vos compétences pratiques.Ensuite, vous aborderez certaines techniques d'apprentissage supervisé avant de passer à l'apprentissage non supervisé. Selon le poste, vous serez susceptible d'aborder ces deux sujets lors de votre entretien sur le machine learning.
Enfin, vous terminerez par la sélection et l'évaluation des modèles, en examinant comment évaluer les performances pour la généralisation des modèles, et vous étudierez diverses techniques pour construire un modèle d'ensemble.
Réponses aux questions les plus courantes lors d'entretiens d'embauche dans le domaine de l'apprentissage automatique
À la fin du cours, vous disposerez à la fois des connaissances théoriques requises et de la capacité à développer du code Python pour répondre avec succès à ces 15 questions.Les exemples de codage seront principalement basés sur le package scikit-learn, en raison de sa facilité d'utilisation et de sa capacité à couvrir les techniques d'apprentissage automatique les plus importantes dans le langage Python.
Ce cours ne traite pas des principes fondamentaux de l'apprentissage automatique, car ceux-ci sont abordés dans les cours préalables.
Prérequis
Programme de formation
Plan du cours
1
Prétraitement des données et visualisation
Dans ce premier chapitre, vous effectuerez toutes les étapes de prétraitement nécessaires pour créer un modèle prédictif de machine learning, notamment la gestion des valeurs manquantes, des valeurs aberrantes et la normalisation de votre jeu de données.
- Gérer les valeurs manquantes50 XP
- À la chasse aux valeurs manquantes100 XP
- Imputation simple100 XP
- Imputation itérative100 XP
- Distributions de données et transformations50 XP
- Distributions et transformations : ensemble d’entraînement vs ensemble de test50 XP
- Répartition entraînement/test100 XP
- Transformations logarithmiques et puissances100 XP
- Valeurs aberrantes et mise à l’échelle des données50 XP
- Détection des valeurs aberrantes100 XP
- Gérer les valeurs aberrantes100 XP
- Standardisation par score Z100 XP
2
Apprentissage supervisé
Dans le deuxième chapitre, vous vous entraînerez sur plusieurs aspects des techniques d’apprentissage supervisé, comme la sélection de l’ensemble optimal de variables, la régularisation pour éviter le surapprentissage du modèle, l’ingénierie des variables, et les modèles d’ensemble pour traiter le fameux compromis biais-variance.
3
Apprentissage non supervisé
Dans le troisième chapitre, vous utiliserez l’apprentissage non supervisé pour appliquer des techniques d’extraction de caractéristiques et de visualisation pour la réduction de dimension, ainsi que des méthodes de clustering afin de sélectionner non seulement l’algorithme de regroupement approprié, mais aussi le nombre optimal de clusters pour un jeu de données.
4
Sélection et évaluation des modèles
Dans le quatrième et dernier chapitre, vous passerez à la vitesse supérieure en appliquant le bootstrap et la validation croisée pour évaluer la performance en vue de la généralisation du modèle, des techniques de rééchantillonnage pour des classes déséquilibrées, la détection et la suppression de la multicolinéarité, et la construction d’un modèle d’ensemble.
S’entraîner aux questions d’entretien en Machine Learning avec Python
Cours
terminé
