Prenez contact avec nous

Plan du cours

Apprentissage supervisé : classification et régression

  • Machine Learning en Python : introduction à l'API scikit-learn
    • régression linéaire et logistique
    • machines à vecteurs de support
    • réseaux de neurones
    • forêts aléatoires
  • Mise en place d'un pipeline complet d'apprentissage supervisé avec scikit-learn
    • manipulation de fichiers de données
    • imputation des valeurs manquantes
    • gestion des variables catégorielles
    • visualisation des données

Cadres logiciels Python pour les applications d'IA :

  • TensorFlow, Theano, Caffe et Keras
  • IA à grande échelle avec Apache Spark : MLib

Architectures avancées de réseaux de neurones

  • réseaux de neurones convolutifs pour l'analyse d'images
  • réseaux de neurones récurrents pour les données structurées dans le temps
  • cellules à mémoire à court et long terme (LSTM)

Apprentissage non supervisé : clustering et détection d'anomalies

  • implémentation de l'analyse en composantes principales avec scikit-learn
  • implémentation d'autoencodeurs dans Keras

Exemples concrets de problèmes résolubles par l'IA (exercements pratiques avec les notebooks Jupyter), par ex.

  • analyse d'images
  • prévision de séries financières complexes, telles que les cours des actions,
  • reconnaissance de motifs complexes
  • traitement automatique du langage naturel
  • systèmes de recommandation

Comprendre les limites des méthodes d'IA : modes d'échec, coûts et difficultés courantes

  • surapprentissage
  • arbitrage biais/variance
  • biais dans les données d'observation
  • empoisonnement des réseaux de neurones

Travaux pratiques de projet (facultatif)

Pré requis

Aucune exigence spécifique n'est requise pour suivre ce cours.

 28 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires