Prenez contact avec nous
 Durée 28 heures

Plan du cours

Apprentissage supervisé : classification et régression

  • Machine Learning en Python : introduction à l'API scikit-learn
    • régression linéaire et logistique
    • machine à vecteurs de support (SVM)
    • réseaux de neurones
    • forêt aléatoire
  • Configuration d'un pipeline d'apprentissage supervisé de bout en bout avec scikit-learn
    • travail avec des fichiers de données
    • imputation des valeurs manquantes
    • gestion des variables catégorielles
    • visualisation des données

Frameworks Python pour les applications IA :

  • TensorFlow, Theano, Caffe et Keras
  • IA à l'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 temporellement
  • cellule mémoire long terme (LSTM)

Apprentissage non supervisé : clustering, détection d'anomalies

  • mise en œuvre de l'analyse en composantes principales avec scikit-learn
  • mise en œuvre d'auto-encodeurs dans Keras

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

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

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

  • surréapprentissage (overfitting)
  • compromis biais/variance
  • biais dans les données observationnelles
  • empoisonnement de réseaux de neurones

Travail de projet appliqué (facultatif)

Pré requis

Aucune exigence spécifique n'est nécessaire pour assister à cette formation.

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires