Preparation

Overview of the module

Cette section présente une vue d’ensemble des systèmes de machine learning (ML). Les étudiants découvrent les différents composants d’un système de ML, notamment :

• Les données : Comment collecter, nettoyer et préparer les données pour l’apprentissage.
• Les modèles : Les types de modèles de machine learning, leurs applications et leurs caractéristiques.
• L’infrastructure : Les outils et les plateformes nécessaires pour développer, tester et déployer des modèles de ML.
• Le workflow : Les étapes de développement d’un système de ML, de la phase de recherche à la mise en production.

When to Use Machine Learning

Dans cette section, les étudiants apprennent à déterminer quand le machine learning est la solution appropriée pour un problème donné. Les points clés incluent :

• Identification des problèmes adaptés : Quels types de problèmes peuvent être résolus par le machine learning, tels que la classification, la régression, le clustering, et la détection d’anomalies.
• Alternatives au machine learning : Comprendre les situations où des approches plus simples (comme les règles métiers ou les statistiques classiques) peuvent être plus efficaces.
• Évaluation de la faisabilité : Considérer la disponibilité des données, les ressources nécessaires et le retour sur investissement attendu avant de décider d’utiliser le machine learning.