Remarques finales

Concevoir des flux de travail Machine Learning en Python

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Remarques finales

  • Rappel des filières d'apprentissage supervisé :
    • ingénierie des caractéristiques
    • ajustement du modèle
    • sélection de modèle
  • Risques de surapprentissage
  • Fusion de données
  • Étiquettes bruyantes et heuristiques
  • Fonctions de perte
    • coûts des faux positifs vs coûts des faux négatifs
Concevoir des flux de travail Machine Learning en Python

Remarques finales

  • Apprentissage non supervisé :
    • détection d'anomalies
    • détection de nouveautés
    • mesures de distance
    • données non structurées
  • Cas d'usage réels :
    • cybersécurité
    • soins de santé
    • services bancaires de détail
Concevoir des flux de travail Machine Learning en Python

Félicitations !

Concevoir des flux de travail Machine Learning en Python

Preparing Video For Download...