Machine Learning Essentials for Business and Technical Decision Makers (French)

Dans ce programme de trois cours, vous découvrirez les bonnes pratiques et les recommandations pour le machine learning (ML). Le cours explore la feuille de route d'intégration du ML dans vos processus d'entreprise, explore les exigences pour déterminer si le ML est la solution appropriée à un problème d'entreprise et décrit les composants nécessaires à une adoption organisationnelle réussie du ML.

• Niveau du cours : Fondamentaux
• Durée : 90 minutes

Remarque : ce cours comporte des transcriptions ou des sous-titres localisés. La narration est en anglais. Pour afficher les sous-titres, cliquez sur le bouton CC dans le coin inférieur droit du joueur.

Activités

Ce programme comprend des cours avec des présentations, des vidéos et des tests de connaissances.

Objectifs du programme

Dans ce programme, vous apprendrez à :

• Comprendre les bases du machine learning pour aider à évaluer les bénéfices et les risques associés à l'adoption du ML dans diverses études de cas
• Identifier les exigences de données, de temps et de production pour un projet ML réussi
• Décrire comment adapter une organisation pour atteindre et pérenniser le succès à l'aide du ML

Public visé

Ce programme s'adresse aux personnes suivantes :

• Dirigeants d'entreprise non techniques et autres décideurs d'entreprise qui sont ou seront impliqués dans des projets de ML
• Les participants au programme AWS Machine Learning Embark et aux ateliers de découverte du Machine Learning Solutions Lab (MLSL)

Prérequis

Pour assister à ce cours, il est conseillé aux participants de disposer des connaissances suivantes :

• Connaissances de base des ordinateurs et des systèmes informatiques
• Quelques connaissances de base du concept de machine learning 

Structure du programme

Cours 1 : Présentation du machine learning : l'art du possible

Module 1. Comment le machine learning peut-il aider ?

• Définir le machine learning
• Décrire la boucle de rétroaction positive (volant d'inertie) qui stimule les projets de ML
• Décrire les différents domaines métier impactés par le machine learning
• Décrire le potentiel du machine learning dans les marchés sous-utilisés

Module 2. Comment fonctionne le machine learning ?

• Décrire l'intelligence artificielle
• Décrire la différence entre l'intelligence artificielle et le machine learning

Module 3. Quels sont les problèmes potentiels liés au machine learning ?

• Décrire les différences entre les modèles simples et les modèles complexes
• Comprendre les problèmes d'inexplicabilité et d'incertitude liés aux modèles de machine learning

Module 4. Conclusion

Cours 2 : Planification d'un projet de machine learning

Module 1. Une solution de machine learning est-elle adaptée à mon problème ?

• Expliquer comment déterminer si la solution ML est appropriée au problème de votre entreprise

Module 2. Mes données sont-elles prêtes pour le machine learning ?

• Décrire le processus visant à garantir que vos données sont prêtes pour le ML

Module 3. Quelle sera l'incidence du machine learning sur la chronologie d'un projet ?

• Expliquer comment le ML peut avoir une incidence sur la chronologie d'un projet

Module 4. Quelles questions dois-je poser au début du déploiement ?

• Identifier les questions à poser qui affectent le déploiement du ML

Module 5. Conclusion

Cours 3 : Création d'une organisation prête au machine learning

Module 1. Comment puis-je préparer mon organisation à l'utilisation du ML ?

• Comment puis-je préparer mon organisation à l'utilisation du ML ?
• Comment AWS peut-il m'aider ?
• Quelles autres stratégies puis-je adopter pour garantir la réussite organisationnelle ?
• Quelle approche de changement culturel fonctionne pour mon organisation ?

Module 2. Comment évaluer ma stratégie de données ?

• Comment évaluer ma stratégie de données ?
• Comment puis-je améliorer ma stratégie de données ?

Module 3. Comment créer une culture d'apprentissage et de collaboration ?

Comment créer une culture d'apprentissage et de collaboration ?

• Qu'est-ce qu'un scientifique des données ?
• Quelles doivent être les compétences d'un scientifique des données ?
• À quoi ressemble une équipe pilote de ML ?
• De quels autres rôles de soutien aurai-je besoin ?
• Quelles sont les principales responsabilités ?

Module 4. Comment démarrer mon adoption du ML ?

• Comment démarrer mon adoption du ML ?
• À quoi ressemble l'adoption du ML par une organisation ?
• Qu'est-ce qu'un exemple d'étude de cas de la progression d'une organisation ?

Module 5. Conclusion