Formation pratique sur le Machine Learning (apprentissage automatique)
Ce cours enseigne aux journalistes comment utiliser l'apprentissage automatique (Machine Learning, ou ML) pour leurs reportages. Vous apprendrez comment former un modèle de ML pour identifier et classer des images dans de vastes ensembles de données.
Le journalisme et l’apprentissage automatique
Comment les journalistes peuvent-ils utiliser l’apprentissage automatique (Machine Learning, ou ML) pour améliorer leur travail ? C’est ce que nous allons découvrir au cours de cette leçon.
Nous vous aiderons à comprendre les situations dans lesquelles l’apprentissage automatique (ML) est l’outil idéal pour renforcer votre reportage et nous vous apprendrons à former un modèle..
Ceci est la suite du cours Introduction à l’apprentissage automatique. Si vous ne l’avez pas encore suivi, nous vous y invitons a le lire avant de poursuivre cette formation.
Que devez vous attendre de ce cours?
L'introduction à l'apprentissage automatique exploite le potentiel de l’apprentissage automatique pour les médias et explique comment les journalistes peuvent s’en servir de manière responsable pour améliorer leurs reportages.
Ce cours veut aller plus loin et montrer, par un exemple concret que nous présenterons dans la prochaine leçon, les résultats que peuvent obtenir les journalistes en recourant à l’apprentissage automatique. Si vous souhaitez comprendre le principe de l’apprentissage automatique en pratique et savoir comment l’utiliser pour vos reportages, ce cours est pour vous.
Une fois le cours terminé, deviendrez-vous un expert en apprentissage automatique, et un scientifique des données (data scientist) ? Non, désolé. Néanmoins, vous assimilerez les étapes du fonctionnement de la plupart des processus d’apprentissage automatique et vous pourrez vous en faire une idée précise.
Définir l’apprentissage automatique
Avant de poursuivre, assurons-nous de savoir de quoi nous parlons. Qu’est-ce que l’apprentissage automatique, aussi aussi appelé "Machine Learning" ?
L’apprentissage automatique s’inscrit dans un ensemble de technologies regroupées sous le terme générique d’« intelligence artificielle » (IA). Comme pour la plupart des termes utilisés dans le domaine de l’intelligence artificielle, il n’existe pas de définition unique de l’apprentissage automatique.
En termes simples, l’apprentissage automatique désigne une technologie qui utilise des données pour répondre à des questions. Plus formellement, il s’agit de l’utilisation d’algorithmes qui apprennent des modèles à partir de données et sont capables d’exécuter des tâches sans être explicitement programmés pour le faire.
En outre, une caractéristique déterminante des systèmes d’apprentissage automatique sous-tend qu’ils améliorent leurs performances grâce à l’expérience et aux données. En d’autres termes : ils apprennent.
Il existe plusieurs façons d’apprendre.
Vous devez garder à l’esprit qu’il n’y a pas qu’une seule façon pour une machine d’apprendre. Les différentes approches de l’apprentissage automatique se distinguent généralement par les types de problèmes qu’elles tentent de résoudre, ainsi que par le type et la quantité de retour d’information fourni.
En gros, nous pouvons scinder l’apprentissage automatique en trois sous-domaines : 1) l’apprentissage supervisé ; 2) l’apprentissage non supervisé ; 3) l’apprentissage de renforcement. Revoir le cours Introduction à l’apprentissage automatique pour mieux comprendre ce qui différencie ces trois catégories.
Dans le cadre de ce cours, nous nous concentrerons sur l’apprentissage supervisé. Ainsi, nous utiliserons des exemples étiquetés pour entraîner un algorithme à attribuer automatiquement le bon label à chaque nouvel exemple que nous lui demanderons d’analyser.
Explorer le potentiel de l’apprentissage automatique
Maintenant que nous avons passé en revue les éléments de base, nous sommes prêts à conclure cette introduction et à passer au chapitre suivant.
Les deux prochaines leçons seront axées sur une étude de cas et notre exercice sera basé sur un exemple journalistique concret et sur l’algorithme que nous utiliserons pour comprendre la dynamique de la plupart des processus d’apprentissage automatique.
Les leçons suivantes seront un guide pratique, étape par étape : Comment obtenir et préparer les données, comment former votre modèle d’apprentissage automatique et comment tester et évaluer ses performances.
La dernière leçon résumera les principaux enseignements, vous aidera à comprendre comment les appliquer dans vos tâches quotidiennes et vous recommandera d’autres ressources que vous pourrez utiliser pour vous plonger encore plus profondément dans le monde de l’apprentissage automatique.
-
Couvrir les élections
LeçonDes visualisations interactives pour avoir une vue d'ensemble sur les élections -
Introduction à la carte de Google Earth Engine
LeçonUtilisez une bibliothèque d’imagerie et de données satellite de plusieurs pétaoctets pour détecter les changements, les tendances de la carte, et quantifier les différences à la surface de la Terre. -
Guide de démarrage rapide pour la recherche d’ensembles de données.
LeçonEffectuez une recherche parmi des millions d’ensembles de données sur le web.