Plan du cours
Introduction aux modèles d'apprentissage automatique avancés
- Aperçu des modèles complexes : forêts aléatoires, boostings de gradients, réseaux de neurones
- Quand utiliser des modèles avancés : bonnes pratiques et cas d'utilisation
- Introduction aux techniques d'apprentissage ensembliste
Réglage et optimisation des hyperparamètres
- Techniques de recherche par grille et de recherche aléatoire
- Automatisation du réglage des hyperparamètres avec Google Colab
- Utilisation de techniques d'optimisation avancées (Bayésien, algorithmes génétiques)
Réseaux de neurones et apprentissage profond
- Construction et entraînement de réseaux de neurones profonds
- Apprentissage par transfert avec des modèles pré-entraînés
- Optimisation des modèles d'apprentissage profond pour la performance
Déploiement de modèles
- Introduction aux stratégies de déploiement de modèles
- Déploiement de modèles dans des environnements cloud en utilisant Google Colab
- Inférence en temps réel et traitement par lots
Travailler avec Google Colab pour l'apprentissage automatique à grande échelle
- Collaboration sur des projets d'apprentissage automatique dans Colab
- Utilisation de Colab pour l'entraînement distribué et l'accélération GPU/TPU
- Intégration avec des services cloud pour un entraînement de modèles évolutif
Interprétabilité et explicabilité des modèles
- Exploration des techniques d'interprétabilité des modèles (LIME, SHAP)
- IA explicable pour les modèles d'apprentissage profond
- Gestion des biais et de l'équité dans les modèles d'apprentissage automatique
Applications réelles et études de cas
- Application de modèles avancés dans les secteurs de la santé, de la finance et du commerce électronique
- Études de cas : déploiements de modèles réussis
- Défis et tendances futures en matière d'apprentissage automatique avancé
Résumé et prochaines étapes
Pré requis
- Bonne compréhension des algorithmes et concepts de l'apprentissage automatique
- Maîtrise de la programmation Python
- Expérience avec les notebooks Jupyter ou Google Colab
Public cible
- Data scientists
- Professionnels de l'apprentissage automatique
- Ingénieurs en intelligence artificielle
Nos clients témoignent (2)
Offrir à ceux qui n'ont jamais utilisé l'IA une initiation aux bases de la formulation de requêtes, et inviter les utilisateurs expérimentés à explorer des méthodes alternatives pour l'employer.
Matthew Gay - Tarsus Pharmaceuticals
Formation - Artificial Intelligence (AI) Overview
Traduction automatique
Travailler à partir des principes fondamentaux de manière concentrée, puis passer à l'application d'études de cas le même jour
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduction automatique
