Plan du cours

Apprentissage supervisé : classification et régression

    Machine Learning dans Python : introduction à l'API scikit-learn, prise en charge de la régression linéaire et logistique, réseaux de neurones de machines vectorielles, forêt aléatoire
Mise en place d'un pipeline d'apprentissage supervisé de bout en bout à l'aide de scikit-learn en travaillant avec des fichiers de données
  • imputation des valeurs manquantes
  • gestion des variables catégorielles
  • visualisation des données
  • Python frameworks pour les applications d'IA :
  • TensorFlow, Theano, Caffe et Keras AI à grande échelle avec Apache Spark : Mlib

      Architectures avancées de réseaux neuronaux

    réseaux de neurones convolutifs pour l'analyse d'images réseaux de neurones récurrents pour données structurées dans le temps cellule de mémoire à long terme

      Apprentissage non supervisé : clustering, détection d'anomalies

    implémentant l'analyse des composantes principales avec scikit-learn implémentant des auto-encodeurs dans Keras

      Exemples pratiques de problèmes que l'IA peut résoudre (exercices pratiques utilisant des notebooks Jupyter), par exemple

    analyse d'images prévoyant des séries financières complexes, telles que les cours des actions, reconnaissance de formes complexes, systèmes de recommandation de traitement du langage naturel

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

    biais de surajustement biais/variance dans les données d'observation empoisonnement du réseau neuronal

      Travail de projet appliqué (facultatif)

    Pré requis

    Aucune condition particulière n'est requise pour participer à ce cours.

     28 heures

    Nombre de participants


    Prix par participant

    Nos Clients témoignent (2)

    Catégories Similaires