Introduit les bases de l'apprentissage automatique, y compris la collecte de données, l'évaluation des modèles et la normalisation des fonctionnalités.
Introduit des concepts d'apprentissage automatique appliqués tels que la collecte de données, l'ingénierie des caractéristiques, la sélection des modèles et les mesures d'évaluation du rendement.
Discute de l'importance de la collecte de données et de la préparation à la classification, y compris les défis d'étiquetage et les méthodes de crowdsourcing.
Explore les modèles linéaires pour la classification, la régression logistique, les limites de décision, la SVM, la classification multi-classes et les applications pratiques.
Plongez dans l'application de l'intelligence artificielle dans la finance, en explorant des outils tels que les réseaux neuronaux et les techniques bayésiennes, les cas d'utilisation réussis dans la détection des fraudes et les robots-conseillers, et l'importance de l'interprétabilité dans les modèles d'apprentissage automatique.
