Plan du cours
Introduction
- Vue d'ensemble de la reconnaissance des motifs et de l'apprentissage automatique
- Applications clés dans divers domaines
- Importance de la reconnaissance des motifs dans la technologie moderne
Théorie des probabilités, sélection de modèles, théorie de la décision et théorie de l'information
- Fondements de la théorie des probabilités dans la reconnaissance des motifs
- Concepts de sélection et d'évaluation des modèles
- Théorie de la décision et ses applications
- Fondamentaux de la théorie de l'information
Distributions de probabilité
- Vue d'ensemble des distributions de probabilité courantes
- Rôle des distributions dans la modélisation des données
- Applications dans la reconnaissance des motifs
Modèles linéaires pour la régression et la classification
- Introduction à la régression linéaire
- Compréhension de la classification linéaire
- Applications et limites des modèles linéaires
Réseaux de neurones
- Fondements des réseaux de neurones et de l'apprentissage profond
- Entraînement des réseaux de neurones pour la reconnaissance des motifs
- Exemples pratiques et études de cas
Méthodes de noyau (Kernel methods)
- Introduction aux méthodes de noyau dans la reconnaissance des motifs
- Machine à vecteurs de support (SVM) et autres modèles basés sur les noyaux
- Applications aux données de haute dimension
Machines à noyau clairsemé (Sparse Kernel Machines)
- Compréhension des modèles clairsemés dans la reconnaissance des motifs
- Techniques de parcimonie et de régularisation des modèles
- Applications pratiques dans l'analyse des données
Modèles graphiques
- Vue d'ensemble des modèles graphiques en apprentissage automatique
- Réseaux bayésiens et champs aléatoires de Markov
- Inférence et apprentissage dans les modèles graphiques
Modèles de mélange et algorithme EM (Espérance-Maximisation)
- Introduction aux modèles de mélange
- Algorithme d'Espérance-Maximisation (EM)
- Applications dans le regroupement (clustering) et l'estimation de densité
Inférence approchée
- Techniques d'inférence approchée dans les modèles complexes
- Méthodes variationnelles et échantillonnage de Monte Carlo
- Applications à l'analyse de données à grande échelle
Méthodes d'échantillonnage
- Importance de l'échantillonnage dans les modèles probabilistes
- Techniques de Monte Carlo par chaîne de Markov (MCMC)
- Applications dans la reconnaissance des motifs
Variables latentes continues
- Compréhension des modèles à variables latentes continues
- Applications à la réduction de dimension et à la représentation des données
- Exemples pratiques et études de cas
Données séquentielles
- Introduction à la modélisation des données séquentielles
- Modèles de Markov cachés et techniques associées
- Applications à l'analyse des séries temporelles et à la reconnaissance de la parole
Combinaison de modèles
- Techniques de combinaison de multiples modèles
- Méthodes ensemblistes (ensemble methods) et boosting
- Applications à l'amélioration de la précision des modèles
Résumé et prochaines étapes
Pré requis
- Compréhension des statistiques
- Connaissance du calcul multivariable et de l'algèbre linéaire de base
- Une certaine expérience avec les probabilités
Audience cible
- Analystes de données
- Doctorants, chercheurs et praticiens
Nos clients témoignent (3)
J'ai vraiment aimé la fin où nous avons pris le temps de jouer avec CHAT GPT. La salle n'était pas très bien organisée pour cela - au lieu d'une grande table, quelques petites tables auraient été préférables afin que nous puissions travailler en petits groupes et brainstormer.
Nola - Laramie County Community College
Formation - Artificial Intelligence (AI) Overview
Traduction automatique
Travailler à partir des principes fondamentaux de manière concentrée, puis passer à l'application d'études de cas le même jour
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduction automatique
Qu'il utilisait des données réelles d'entreprise. Le formateur avait une très bonne approche en faisant participer et concourir les stagiaires
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Formation - Applied AI from Scratch in Python
Traduction automatique
