Plan du cours

Introduction à la Neural Networks

Introduction à l'apprentissage appliqué Machine Learning

  • Apprentissage statistique vs. apprentissage automatique
  • Itération et évaluation
  • Compromis biais-variance

Machine Learning avec Python

  • Choix des bibliothèques
  • Outils complémentaires

Concepts et applications de l'apprentissage automatique

Régression

  • Régression linéaire
  • Généralisations et non-linéarité
  • Cas d'utilisation

Classification

  • Remise à niveau bayésienne
  • Bayes naïf
  • Régression logistique
  • K-Proches voisins
  • Use Cases

Validation croisée et rééchantillonnage

  • Approches de validation croisée
  • Bootstrap
  • Use Cases

Apprentissage non supervisé

  • Regroupement par K-means
  • Exemples d'apprentissage non supervisé
  • Défis de l'apprentissage non supervisé et au-delà des K-moyennes

Brève introduction aux méthodes NLP

  • symbolisation des mots et des phrases
  • classification des textes
  • analyse des sentiments
  • correction orthographique
  • extraction d'informations
  • analyse syntaxique
  • extraction de sens
  • réponse aux questions

Intelligence artificielle & Deep Learning

Aperçu technique

  • R v/s Python
  • Caffe v/s Tensor Flow
  • Diverses bibliothèques Machine Learning

Études de cas de l'industrie

Pré requis

  1. Devrait avoir une connaissance de base du fonctionnement des entreprises, ainsi que des connaissances techniques
  2. .
  3. Doit avoir une compréhension de base des logiciels et des systèmes
  4. Compréhension de base de Statistics (dans les niveaux Excel)
  21 heures
 

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.
Les formations ouvertes requièrent plus de 3 participants.

Nos Clients témoignent (1)

Cours Similaires

Catégories Similaires