Aperçu du cours
Objectifs de formation : à l’issue de la formation, le stagiaire sera capable d’appréhender les concepts clés du Deep Learning (apprentissage profond) et d’intégrer ces fondamentaux dans la mise en place de réseaux de neurones.
Prérequis
- Avoir des bases en programmation et une bonne maîtrise des outils informatiques et statistiques
- Connaitre les bases du Machine Learning est recommandé
Fonctionnalités
- Comprendre les concepts de Machine Learning et l’évolution vers le Deep Learning (réseaux de neurones profonds)
- Connaitre les briques de base du Deep Learning : réseaux de neurones simples, convolutifs et récursifs
- Appréhender les modèles plus avancés : auto-encodeurs, gans, apprentissage par renforcement
- Appréhender les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones
- Comprendre les méthodologies de mise en place de réseaux de neurones, les points forts et les limites de ces outils
Public ciblé
- Analystes
- Ingénieurs
- Data Scientists
- Data Analysts
- Data Steward
- Développeurs
- Toute personne intéressée par le Deep Learning et les réseaux de neurones
Détails
- 35 Sections
- 243 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
- 1.6Algorithmes à évolution
- 1.7Exemples d’algorithmes Machine Learning : Régression linéaire, Naive Bayes, Random Tree.
- Introduction7
- 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
- 1.5Actions principales
- 1.6Algorithmes à évolution
- 1.7Exemples d’algorithmes Machine Learning : Régression linéaire, Naive Bayes, Random Tree.
- Introduction7
- 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
- 1.5Actions principales
- 1.6Algorithmes à évolution
- 1.7Exemples d’algorithmes Machine Learning : Régression linéaire, Naive Bayes, Random Tree.
- Introduction7
- 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
- 1.5Actions principales
- 1.6Algorithmes à évolution
- 1.7Exemples d’algorithmes Machine Learning : Régression linéaire, Naive Bayes, Random Tree.
- Introduction7
- 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
- 1.5Actions principales
- 1.6Algorithmes à évolution
- 1.7Exemples d’algorithmes Machine Learning : Régression linéaire, Naive Bayes, Random Tree.
- Principes fondamentaux d'un réseau neuronal9
- 2.8Bases mathématiques
- 2.9Définition du réseau neuronal
- 2.10Définition de l’apprentissage
- 2.11Modélisation d’un réseau neuronal
- 2.12Estimer une distribution par un réseau de neurones
- 2.13Data Augmentation
- 2.14Généralisation des résultats d’un réseau de neurones
- 2.15Initialisations et régularisations d’un réseau de neurones
- 2.16Optimisations et algorithmes de convergence
- Principes fondamentaux d'un réseau neuronal9
- 2.8Bases mathématiques
- 2.9Définition du réseau neuronal
- 2.10Définition de l’apprentissage
- 2.11Modélisation d’un réseau neuronal
- 2.12Estimer une distribution par un réseau de neurones
- 2.13Data Augmentation
- 2.14Généralisation des résultats d’un réseau de neurones
- 2.15Initialisations et régularisations d’un réseau de neurones
- 2.16Optimisations et algorithmes de convergence
- Principes fondamentaux d'un réseau neuronal9
- 2.8Bases mathématiques
- 2.9Définition du réseau neuronal
- 2.10Définition de l’apprentissage
- 2.11Modélisation d’un réseau neuronal
- 2.12Estimer une distribution par un réseau de neurones
- 2.13Data Augmentation
- 2.14Généralisation des résultats d’un réseau de neurones
- 2.15Initialisations et régularisations d’un réseau de neurones
- 2.16Optimisations et algorithmes de convergence
- Principes fondamentaux d'un réseau neuronal9
- 2.8Bases mathématiques
- 2.9Définition du réseau neuronal
- 2.10Définition de l’apprentissage
- 2.11Modélisation d’un réseau neuronal
- 2.12Estimer une distribution par un réseau de neurones
- 2.13Data Augmentation
- 2.14Généralisation des résultats d’un réseau de neurones
- 2.15Initialisations et régularisations d’un réseau de neurones
- 2.16Optimisations et algorithmes de convergence
- Principes fondamentaux d'un réseau neuronal9
- 2.8Bases mathématiques
- 2.9Définition du réseau neuronal
- 2.10Définition de l’apprentissage
- 2.11Modélisation d’un réseau neuronal
- 2.12Estimer une distribution par un réseau de neurones
- 2.13Data Augmentation
- 2.14Généralisation des résultats d’un réseau de neurones
- 2.15Initialisations et régularisations d’un réseau de neurones
- 2.16Optimisations et algorithmes de convergence
- Outil de ML & de DL4
- Outil de ML & de DL4
- Outil de ML & de DL4
- Outil de ML & de DL4
- Outil de ML & de DL4
- Convolutional Neural Networks7
- Convolutional Neural Networks7
- Convolutional Neural Networks7
- Convolutional Neural Networks7
- Convolutional Neural Networks7
- RNN8
- RNN8
- RNN8
- RNN8
- RNN8
- Modèles générationnels : VAE et GAN8
- Modèles générationnels : VAE et GAN8
- Modèles générationnels : VAE et GAN8
- Modèles générationnels : VAE et GAN8
- Modèles générationnels : VAE et GAN8
- Deep Reinforcement Learning5
- Deep Reinforcement Learning6
- Deep Reinforcement Learning6
- Deep Reinforcement Learning6
- Deep Reinforcement Learning6
Instructeur
