Your Body Inside and Out: Using Exercise Physiology to Slow Aging

Por: edX . en: , ,

Syllabus

  • Introduction
    • Cette présentation du cours met l'accent sur les principaux objectifs et modules. Vous commencerez par découvrir les aspects du machine learning qui requièrent de l'intuition, du discernement et des capacités d'expérimentation. Nous appelons cela "l'art du ML". Vous découvrirez les nombreux mécanismes intervenant dans l'entraînement d'un modèle. Vous les ajusterez manuellement pour observer leurs effets sur les performances du modèle.
  • L'art du ML
    • Ce cours va vous permettre de découvrir l'art du machine learning. Nous étudierons les aspects du machine learning qui requièrent de l'intuition, du discernement et des capacités d'expérimentation pour trouver le compromis idéal qui permet d'obtenir des résultats satisfaisants. (Nous vous prévenons d'ores et déjà : il n'existe jamais de solution parfaite.)
  • Réglages des hyperparamètres
    • Dans ce module, vous allez apprendre à différencier les paramètres des hyperparamètres. Nous étudierons ensuite l'approche traditionnelle de la recherche par grille, et découvrirons comment aller plus loin en utilisant des algorithmes plus intelligents. Enfin, nous verrons dans quelle mesure Cloud ML Engine facilite l'automatisation des réglages d'hyperparamètres.
  • Un zeste de science
    • Dans ce module, nous allons découvrir que le machine learning est non seulement un art, mais également une science. Nous commencerons par étudier comment procéder à une régularisation à des fins de parcimonie, de façon à obtenir des modèles plus simples et plus concis. Nous aborderons ensuite la régression logistique, et apprendrons à évaluer les performances.
  • La science des réseaux de neurones
    • Dans ce module, nous allons plonger plus profondément dans l'univers de la science, en particulier avec les réseaux de neurones.
  • Représentations vectorielles continues
    • Dans ce module, vous allez apprendre à utiliser les représentations vectorielles continues pour gérer les données éparses, et pour faire en sorte que les modèles de machine learning utilisant ce type de données consomment moins de mémoire et s'entraînent plus rapidement. Les représentations vectorielles continues permettent également de réduire les dimensions, ce qui contribue à simplifier les modèles et à les rendre plus généralisables.
  • Instance Estimator personnalisée
    • Dans ce module, nous ne nous limiterons pas aux instances Estimator standardisées, et nous créerons une classe Estimator personnalisée. Vous pourrez ainsi mieux contrôler la fonction même du modèle.
  • Récapitulatif
    • Examinez les principaux concepts abordés dans le cours sur l'art et la science du ML.

Plataforma