“Comment devenir un expert en Machine Learning sans savoir ce qu’est un ordinateur ?” 😄

Si jamais je m'en sors vivant de ce parcours, je partagerai ma recette sur mon blog. Lol

Alors, mon projet ou du moins le projet de l'école en IA à pour thème cette année "les fakes news". Je sais que vous devinez la suite.

Retenez qu'une fois que vous intégrer cette école, peu importe votre niveau, vous n'êtes pas exempté de ce projet. Imaginez donc, moi avec pour seule connaissance le VBA comme langage, comment je valide mon année ? 🤣

Assez paniqué, place maintenant aux actions. Ma deadline est pour fin mai 2024. Je pars dévaliser la FNAC Saint Lazare de tous les livres de John Paul Mueller avec sa collection "pour les nuls " :

• Python pour les nuls ;

• Data science avec python pour les nuls ;

• Le Machine learning pour les nuls.

Je ne vais quand même pas prendre pour les experts pour m'effrayer moi même.

Avec comme cerise sur le gâteau la 3ème édition de "Machine Learning avec Scikit-Learn" de Aurélien Géron. J'ai beaucoup aimer le contenu de ce dernier car il s'agit de mise en œuvre et cas concrets.

Je crois que je suis prêt pour ce défi, je sens qu'il sera passionnant. Je reste ouvert à des suggestions.

Que sais-tu SORO du Machine Learning ?

En un mot, pour moi, il s'agit d'entraîner une machine afin qu'elle arrive à donner la bonne réponse face à un problème bien précis.

Alors ramené à mon projet, il me faut entrainer une machine à reconnaitre une fake new.

où, comment, quand, pourquoi etc.❓

Novice, je suis face à une pléthore de questions, je sentais la fin du monde sous mes pieds. Surtout quand tu entends les condisciples utiliser les thèmes techniques 😁. Wahouuu tu te dis souvent pourquoi moi ? Une question de plus.

Je me met donc à "bookiner" et voici donc les étapes que je décide de retenir de concert avec mon binôme :

1. Prendre du recul pour une vision d'ensemble ;

2. Faire le choix d'un dataset (les données, pour les plus novices que moi);

3. Explorer et visualiser les données pour mieux les comprendre ;

4. Préparer les données pour les algorithmes d'apprentissage automatique ;

5. Sélectionner un modèle et l'entrainer ;

6. Régler avec précision notre modèle ;

7. Présenter notre solution au jury.

8. Année validée 👌

Pour le travail en équipe, nous avons décidé d'utiliser git et github. Après donc la répartition du travail, chacun pourra débuter ses codes. Vos avis et suggestion sur mon blog sont les bienvenues. Je partagerai également les avancés réalisées sur ce projet et au sortie de ce challenge, on répondra à la question initiale.