Apprentissage non supervisé, systèmes de recommandation et apprentissage par renforcement

Une grande partie des données du monde n'est pas étiquetée, et certains des systèmes d'IA les plus puissants apprennent en explorant leurs environnements ou en comprenant les préférences des utilisateurs. Ce cours basé sur du texte vous guide à travers les concepts fondamentaux de l'apprentissage non supervisé, des moteurs de recommandation et de l'apprentissage par renforcement.Vous passerez de la compréhension des modèles supervisés de base à la conception de systèmes qui regroupent des ensembles de données complexes, suggèrent du contenu pertinent et prennent des décisions autonomes. Ce que vous apprendrez: - Comprendre la logique fondamentale derrière les algorithmes de clustering tels que les K-means et les techniques de détection d'anomalies. - Créez des systèmes de filtrage collaboratif et de recommandation basés sur le contenu en utilisant des principes d'apprentissage profond modernes. - Implémenter des modèles d'apprentissage par renforcement profond, y compris les fonctions de valeur d'action d'état et l'optimisation des politiques. - Explorez les bases de données vectorielles modernes et les techniques d'intégration utilisées pour mettre à l'échelle les systèmes de recommandation aujourd'hui. - Appliquer des mesures d'évaluation pour évaluer la précision, le rappel et la sécurité des agents d'apprentissage non supervisé et de renforcement. Le cours commence par la terminologie essentielle et les fondements mathématiques des données non étiquetées avant de passer aux algorithmes de recommandation et aux environnements d'apprentissage par renforcement interactif. Vous apprendrez à travers des explications écrites détaillées et des explications de code étape par étape. Conçu pour les débutants ayant une compréhension de base de Python et des concepts d'introduction à l'apprentissage automatique, ce cours ne nécessite aucune expérience préalable en IA avancée.