3.4SpécialisationSession 3 · Deep Learning & Applied Machine Learning

Algorithmes d'apprentissage supervisé

20classes60htotalTH2 · PR2 · PNW2pondération par classe

Déroulé classe par classe

20 classes

TH = théorie · PR = pratique · PNW = travail personnel. Ce sont des codes de pondération du ministère (et non des heures) servant à répartir les minutes de chaque classe. La durée d'une classe = heures du cours ÷ nombre de classes ; les trois plages horaires ci-dessous totalisent toujours cette durée.

Progression des quiz

0 sur 0 classes tentées

2 premières classes gratuites avec un parrainage 19 de plus avec l'inscription180 min par classeThéorie 60mPratique 60mTravail personnel 60m

Où l'apprentissage supervisé s'intègre dans une pile d'IA agentique

GratuitTH2PR2PNW2

Un gestionnaire d'intégration d'IA sait que les agents GenAI ne sont pas toute la solution — les modèles supervisés acheminent les requêtes, notent la pertinence et gardent les sorties.

Théorie60m

Apprentissage supervisé : apprendre à partir d'exemples étiquetés
Où le ML classique soutient la GenAI : acheminement, classification, évaluation
Pourquoi les agents ont encore besoin de modèles rapides, peu coûteux et déterministes

Pratique60m

Associez un flux d'agent à l'endroit où un modèle supervisé aiderait
Énumérez 3 tâches d'agent mieux adaptées au ML classique qu'à un LLM

Travail personnel60m

Rédigez une courte note sur un modèle supervisé qui soutiendrait un agent type
Micro-tâche : remettre votre note

Étiquettes et caractéristiques — bâtir des données d'entraînement pour les modèles de soutien d'agent

VerrouilléTH2PR2PNW2

Aperçu de classe verrouillée

Un analyste de données ou d'affaires qui bâtit des données étiquetées propres contrôle directement la qualité du modèle — pas d'étiquettes, pas de modèle supervisé

Inscrivez-vous pour déverrouiller chaque classe de ce cours — le déroulé complet, le tuteur IA et le quiz.

Algorithmes d'apprentissage supervisé

Déroulé classe par classe

Où l'apprentissage supervisé s'intègre dans une pile d'IA agentique

Étiquettes et caractéristiques — bâtir des données d'entraînement pour les modèles de soutien d'agent

Partages entraînement/validation/test — évaluer honnêtement

Régression linéaire — prédire un nombre (et la latence d'agent)

Régression logistique — classification binaire pour les garde-fous d'agent

Classification d'intention — acheminer les requêtes utilisateur vers le bon agent

Arbres de décision — modèles interprétables en qui les parties prenantes ont confiance

Forêts aléatoires — classificateurs plus forts et plus robustes

Métriques d'évaluation — exactitude, précision, rappel, F1

Classification pour la détection d'hallucination et de toxicité

Noter la pertinence de récupération — évaluation RAG supervisée

Ingénierie de caractéristiques avec plongements — ML sur des représentations GenAI

Validation croisée — avoir confiance en votre évaluation

Déséquilibre de classes — quand la plupart des réponses d'agent sont « correctes »

Sélection de modèle et réglage des hyperparamètres

Déployer un modèle supervisé comme microservice d'agent

Mini-projet — bâtir un modèle supervisé qui soutient un agent

Surveiller la dérive du modèle — quand le modèle de soutien de l'agent vieillit

Naive Bayes et classification de texte pour les entrées d'agent

Présenter et réfléchir — votre modèle de soutien d'agent

Déverrouiller les 20 classes