Une introduction pratique à l'apprentissage automatique axée sur les projets Le low-code permet de développer des outils numériques avec un minimum de codage informatique. Adoptez une approche axée sur les données et les cas d'utilisation pour comprendre les concepts du machine learning (apprentissage automatique) et du deep learning (apprentissage profond). Ce guide pratique présente trois façons d'apprendre le machine learning sans code à l'aide d'AutoML, de BigQuery ML et de scikit-learn et Keras. Dans chaque cas, vous apprendrez les concepts clés de l'apprentissage automatique en utilisant des ensembles de données réels et des problèmes concrets. Une introduction à l'apprentissage automatique et à l'IA fondée sur un projet à l'aide d'une approche détaillée et axée sur les données : chargement et analyse des données ; l'alimentation des données dans un modèle d'apprentissage automatique ; construction, formation et essais ; déploiement du modèle en production. Créez des modèles d'apprentissage automatique aussi bien pour le commerce de détail que les soins de santé, les services financiers, l'énergie et les télécommunications. - Faire la distinction entre les données structurées et non structurées - Visualiser et analyser les données - Prétraiter les données pour les saisir dans un modèle d'apprentissage automatique - Différencier les modèles d'apprentissage supervisé de régression et de classification - Comparez différents types et architectures de modèles ML, du no code au low-code en passant par l'entraînement personnalisé - Concevoir, implémenter et ajuster des modèles ML - Exporter les données vers un dépôt GitHub pour la gestion et la gouvernance des données