Détails
- 7 Sections
- 47 Lessons
- 21 heures
Expand all sectionsCollapse all sections
- Introduction6
- 1.1Le fantasme de l’intelligence artificielle face aux réalités d’aujourd’hui
- 1.2Disparition des algorithmes, nouvelle modélisation des problèmes
- 1.3Machine learning : présentation de l’apprentissage
- 1.4Approches principales
- 1.5Algorithmes à évolution
- 1.6Exemples d’algorithmes Machine Learning : Régression linéaire, Naive Bayes, Random Tree.
- Principes fondamentaux d'un réseau neuronal9
- 2.1Bases mathématiques
- 2.2Définition du réseau neuronal
- 2.3Définition de l’apprentissage
- 2.4Modélisation d’un réseau neuronal
- 2.5Estimer une distribution par un réseau de neurones
- 2.6Data Augmentation
- 2.7Généralisation des résultats d’un réseau de neurones
- 2.8Initialisations et régularisations d’un réseau de neurones
- 2.9Optimisations et algorithmes de convergence
- Outil de ML & de DL4
- Convolutional Neural Networks7
- RNN8
- Modèles générationnels : VAE et GAN8
- Deep Reinforcement Learning5
