Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera dans les plus brefs délais.
Merci pour votre réservation ! Un membre de notre équipe vous contactera dans les plus brefs délais.
Plan du cours
Apprentissage supervisé : classification et régression
- Compromis biais-variance
- La régression logistique comme classificateur
- Mesurer la performance d'un classificateur
- Machines à vecteurs de support
- Réseaux neuronaux
- Forêts aléatoires
Apprentissage non supervisé : regroupement, détection des anomalies
- analyse en composantes principales
- autoencodeurs
Architectures de réseaux neuronaux avancés
- réseaux neuronaux convolutionnels pour l'analyse d'images
- réseaux neuronaux récurrents pour les données structurées dans le temps
- la cellule de mémoire à long terme
Exemples pratiques de problèmes que l'IA peut résoudre, par exemple
- l'analyse d'images
- la prévision de séries financières complexes, telles que le cours des actions,
- la reconnaissance de formes complexes
- le traitement du langage naturel
- systèmes de recommandation
Plateformes logicielles utilisées pour les applications d'IA :
- TensorFlow, Theano, Caffe et Keras.
- L'IA à grande échelle avec Apache Spark : Mlib
Comprendre les limites des méthodes d'IA : modes d'échec, coûts et difficultés courantes
- surajustement
- biais dans les données d'observation
- données manquantes
- empoisonnement des réseaux neuronaux
Pré requis
Aucune condition particulière n'est requise pour participer à ce cours.
28 heures