Plan du cours

Apprentissage supervisé : classification et régression

  • Machine Learning dans Python : introduction à l'API scikit-learn
    • régression linéaire et logistique
    • machine à vecteur de support
    • réseaux neuronaux
    • forêt aléatoire
  • Mise en place d'un pipeline d'apprentissage supervisé de bout en bout à l'aide de scikit-learn
    • travailler avec des fichiers de données
    • imputation des valeurs manquantes
    • traitement des variables catégorielles
    • visualisation des données

Python frameworks pour les applications d'intelligence artificielle :

  • TensorFlow, Theano, Caffe et Keras
  • l'IA à l'échelle avec Apache Spark : Mlib

Architectures de réseaux neuronaux avancés

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

Apprentissage non supervisé : regroupement, détection d'anomalies

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

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

  • l'analyse d'images
  • la prévision de séries financières complexes, telles que les prix des actions,
  • reconnaissance de formes complexes
  • le traitement du langage naturel
  • systèmes de recommandation

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

  • surajustement
  • compromis biais/variance
  • biais dans les données d'observation
  • empoisonnement des réseaux neuronaux

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)

Cours à venir

Catégories Similaires