La série de tutoriels sur l’apprentissage-machine est une contribution majeure au matériel de formation en IA et en apprentissage-machine mis à la disposition du milieu de recherche universitaire au Canada et ailleurs. Cette ressource bilingue a été mise au point pour mieux comprendre l’IA et l’apprentissage-machine et en promouvoir l’utilisation et la sensibilisation au sein du milieu de recherche de l’Université d’Ottawa. Et grâce au soutien financier de Compute Ontario, les spécialistes de la recherche de bon nombre d’établissements d’enseignement supérieur pourront aussi bénéficier de ces tutoriels.

L'instance Dataverse de l'Université d'Ottawa de la série de tutoriels sur l'apprentissage automatique fournit des copies fiables de conservation et d'accès à long terme pour la série et sert également d'outil pédagogique, en enseignant aux chercheurs les meilleures pratiques de gestion des données de recherche en relation avec le stockage dans les dépôts, les DOIs des résultats de recherche et les flux de travail des métadonnées computationnelles pour l'intégration dans les dépôts.

La meilleure expérience d'apprentissage pour cette série de tutoriels est accessible sur le site GitHub Série de tutoriels sur l’apprentissage-machines:
https://uottawa-it-research-teaching.github.io/machinelearning/LISEZMOI.html


The Machine Learning Tutorial Series is a significant contribution to the AI & ML training materials available to the academic research community in Canada and beyond. This bilingual resource was developed to raise awareness, understanding, and utilization of Artificial Intelligence (AI) and Machine Learning (ML) within our University of Ottawa research community. With the support of Compute Ontario funding these tutorials will be appreciated by researchers affiliated with many institutions of higher education.

The uOttawa Dataverse instance of the Machine Learning Tutorial Series provides reliable long-term preservation and access copies for the series and also acts as a pedagogical tool, teaching researchers about best research data management practices in relation to repository storage, research output DOIs and computational metadata workflows for repository integration.

The best learning experience for this tutorial series is accessible at the GitHub Machine Learning Tutorial Series site:
https://uottawa-it-research-teaching.github.io/machinelearning/index.html


Featured Dataverses

In order to use this feature you must have at least one published or linked dataverse.

Publish Dataverse

Are you sure you want to publish your dataverse? Once you do so it must remain published.

Publish Dataverse

This dataverse cannot be published because the dataverse it is in has not been published.

Delete Dataverse

Are you sure you want to delete your dataverse? You cannot undelete this dataverse.

Advanced Search

1 to 5 of 5 Results
Oct 25, 2024
Van der Kolk, Jarno; Darveau, Peter; Tayler, Felicity, 2024, "Aperçu de l’ensemble du contenu sur l’apprentissage-machine | Overview of all the machine learning content", https://doi.org/10.5683/SP3/YQ5SN2, Borealis, V1
Cette série de tutoriels entend combler trois lacunes au niveau de la compréhension de l’IA et des méthodologies d’apprentissage-machine : Proposer une introduction aux modèles d’intelligence artificielle et d’apprentissage-machine. Préparer les données requises par ces modèles....
Oct 22, 2024
Van der Kolk, Jarno; Darveau, Peter; Tayler, Felicity, 2024, "Machines à vecteurs de support (classificateurs à vaste marge) | Support vector machines", https://doi.org/10.5683/SP3/NTAUQT, Borealis, V3, UNF:6:TirY2hGWeQ9cMdzanrqxlQ== [fileUNF]
This machine learning training explores the power and versatility of Support Vector Machines (SVMs), a class of models that employ mathematical optimization to find maximum margin hyperplanes for classification. The training comprises four notebooks: Regularization, Kernels, Deep...
Oct 15, 2024
Van der Kolk, Jarno; Darveau, Peter; Tayler, Felicity, 2024, "Classificateurs bayésiens naïfs | Naive Bayes", https://doi.org/10.5683/SP3/QBRCTQ, Borealis, V2, UNF:6:JujAFyzEoxOYzfqAVFjg2g== [fileUNF]
Nous verrons dans ce tutoriel comment détecter des modèles à l’aide du classificateur bayésien naïf, une technique d’apprentissage-machine efficace pour détecter certains modèles et prévoir les dépendances au sein de votre jeu de données. Nous réexaminerons dans la première parti...
Oct 10, 2024
Van der Kolk, Jarno; Darveau, Peter; Tayler, Felicity, 2024, "Épuration de données et régression linéaire | Data Cleaning and Linear Regression", https://doi.org/10.5683/SP3/6AJSIB, Borealis, V1, UNF:6:JaiuMJZAGEaFcs3bq1+VIg== [fileUNF]
Ce tutoriel est conçu pour optimiser la préparation des données pour l'apprentissage automatique, avec un focus spécifique sur la prédiction des schémas de circulation des vélos en fonction des conditions météorologiques. Il comprend un résumé des objectifs d'apprentissage, une s...
Oct 10, 2024
Van der Kolk, Jarno; Darveau, Peter; Tayler, Felicity, 2024, "Arbres de décision et forêts aléatoires | Decision Trees and Random Forests (DTRF)", https://doi.org/10.5683/SP3/2QZTN3, Borealis, V1, UNF:6:x/8CbkEipPWZD25nEb9xlg== [fileUNF]
Nous verrons dans ce tutoriel comment un algorithme d’arbre décisionnel permet de faire des prédictions. Ce tutoriel comporte trois carnets, chacun traitant d’une application différente des arbres décisionnels et de l’algorithme connexe de forêt aléatoire. Une forêt aléatoire est...
Add Data

Sign up or log in to create a dataverse or add a dataset.

Share Dataverse

Share this dataverse on your favorite social media networks.

Link Dataverse
Reset Modifications

Are you sure you want to reset the selected metadata fields? If you do this, any customizations (hidden, required, optional) you have done will no longer appear.