Université du machine learning
L'Université du machine learning (MLU) offre à chacun, n'importe où et n'importe quand, un accès aux mêmes cours de machine learning que ceux utilisés pour former les développeurs d'Amazon au machine learning. À la MLU, tous les développeurs peuvent apprendre à utiliser le machine learning avec la série d'apprentissage MLU Accelerator, dans laquelle chacun progresse à son propre rythme. La série MLU Accelerator est conçue pour vous aider à démarrer votre parcours ML. Pour ce faire, elle offre trois cours de base sur le traitement du langage naturel, les données tabulaires et la vision par ordinateur, chaque cours s'étendant sur trois jours. À la fin de la série Accelerator, le cours sur les arbres de décision et les méthodes d'ensemble propose une série de cours plus avancés. Cette série, qui s'étend sur cinq jours, porte sur les modèles basés sur une arborescence et les modèles d'ensembles. Grâce à des vidéos YouTube séquentielles présentées par des scientifiques d'Amazon et contenant des exemples pratiques, des blocs-notes Jupyter et des diaporamas, la MLU propose un parcours en libre-service complet permettant de comprendre les fondements du machine learning. Les supports de cours sont disponibles sur GitHub. Vous trouverez plus de détails sur nos cours ci-dessous.
Démarrer
Les cours proposés par l'Université du machine learning sont les mêmes que ceux utilisés pour former les développeurs d'Amazon aux principes fondamentaux du machine learning. Il est facile de démarrer avec la MLU, car elle fournit aux apprenants une structure d'apprentissage flexible et adaptée à leur rythme.
Approfondissez vos connaissances de base
Pour commencer avec la MLU, tous les utilisateurs doivent créer un compte AWS. Il est également recommandé aux apprenants d'avoir une compréhension et une connaissance de base de Python pour tirer le meilleur parti de ce contenu. Si vous ne connaissez pas bien Python, consultez nos autres ressources d'apprentissage pour découvrir des didacticiels d'introduction.
Choisissez un chemin d'apprentissage
Choisissez l'un des trois chemins d'apprentissage en fonction de vos besoins. Chacun de ces chemins comprend des cours sur YouTube, des diapositives, des exercices pratiques et des blocs-notes Jupyter sur GitHub.
Démarrez la formation
En accompagnement des cours vidéos, les apprenants ont accès à des blocs-notes et à des diapositives GitHub afin de leur permettre de s'autoguider tout au long des leçons et des activités pratiques. Suivez votre propre rythme et choisissez les leçons et les sujets qui vous intéressent le plus.
Traitement du langage naturel
Résumé du cours
Ce cours est conçu pour vous aider à démarrer avec le traitement du langage naturel (NLP) et à apprendre à utiliser le NLP dans différents cas d'utilisation. Il aborde des sujets tels que le traitement de texte, la régression et les modèles basés sur une arborescence, le réglage des hyperparamètres, les réseaux neuronaux récurrents, les mécanismes d'attention et les transformateurs.
Contenu du cours
Consultez la page GitHub pour obtenir une présentation détaillée des leçons, des projets, des blocs-notes et plus encore.
Données tabulaires
Résumé du cours
Découvrez comment démarrer avec les données tabulaires (les données de type feuille de calcul) et les techniques de machine learning largement utilisées pour manipuler les données tabulaires. Ce cours aborde des sujets tels que l'ingénierie des fonctionnalités, les modèles et ensembles basés sur une arborescence, les modèles de régression, les réseaux neuronaux et AutoML.
Contenu du cours
Consultez la page GitHub pour obtenir une présentation détaillée des leçons, des projets, des blocs-notes et plus encore.
Vision par ordinateur
Résumé du cours
Ce cours vous permettra d'acquérir les compétences nécessaires pour vous lancer avec la vision par ordinateur. Vous découvrirez la classification des images, les réseaux neuronaux convolutifs, l'apprentissage par transfert, la détection d'objets et la segmentation sémantique.
Contenu du cours
Consultez la page GitHub pour obtenir une présentation détaillée des leçons, des projets, des blocs-notes et plus encore.
Arbres de décision et méthodes d'ensemble
Résumé du cours
Faites vos premiers pas avec les modèles basés sur une arborescence et les modèles d'ensemble dans ce cours. Vous découvrirez les arbres de décision, les impuretés, le compromis entre biais et variance, les forêts aléatoires, les proximités, l'importance de la fonctionnalité et le boosting.
Contenu du cours
Consultez la page GitHub pour obtenir une présentation détaillée des leçons, des projets, des blocs-notes et plus encore.
IA responsable – équité et atténuation des biais
Résumé du cours
Ce cours est conçu pour vous présenter plusieurs dimensions de l'IA responsable en mettant l'accent sur les critères d'équité et l'atténuation des biais. Découvrez les différents critères d'équité, les mesures de biais et les techniques d'atténuation des biais.
Contenu du cours
Consultez la page GitHub pour obtenir une présentation détaillée des leçons, des projets, des blocs-notes et plus encore.
Plus de ressources
Découverte approfondie du machine learning
Améliorez vos connaissances et vos compétences quant aux services de ML AWS.
AWS Training and Certification
Découvrez les formations et les cours guidés d'AWS Training and Certification, disponibles pour tous les niveaux d'expérience en ML.
Didacticiels pratiques
Suivez ces didacticiels rapides pour faire vos premiers pas avec les services de ML AWS et leurs cas d'utilisation courants.