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
- 3.17Outils de gestion de donnée
- 3.18Outils Machine Learning usuel
- 3.19Frameworks DL haut niveau
- 3.20Frameworks DL bas niveau
- Outil de ML & de DL4
- 3.17Outils de gestion de donnée
- 3.18Outils Machine Learning usuel
- 3.19Frameworks DL haut niveau
- 3.20Frameworks DL bas niveau
- Outil de ML & de DL4
- 3.17Outils de gestion de donnée
- 3.18Outils Machine Learning usuel
- 3.19Frameworks DL haut niveau
- 3.20Frameworks DL bas niveau
- Outil de ML & de DL4
- 3.17Outils de gestion de donnée
- 3.18Outils Machine Learning usuel
- 3.19Frameworks DL haut niveau
- 3.20Frameworks DL bas niveau
- Outil de ML & de DL4
- 3.17Outils de gestion de donnée
- 3.18Outils Machine Learning usuel
- 3.19Frameworks DL haut niveau
- 3.20Frameworks DL bas niveau
- Convolutional Neural Networks7
- 4.21Définition, fondements & applications
- 4.22Fonctionnement
- 4.23Architecture CNN pour la classification d’images
- 4.24Modèle d’attention
- 4.25Application à une classification usuel
- 4.26CNN & génération
- 4.27Stratégies d’augmentation des Feature Maps pour la génération d’une image
- Convolutional Neural Networks7
- 4.21Définition, fondements & applications
- 4.22Fonctionnement
- 4.23Architecture CNN pour la classification d’images
- 4.24Modèle d’attention
- 4.25Application à une classification usuel
- 4.26CNN & génération
- 4.27Stratégies d’augmentation des Feature Maps pour la génération d’une image
- Convolutional Neural Networks7
- 4.21Définition, fondements & applications
- 4.22Fonctionnement
- 4.23Architecture CNN pour la classification d’images
- 4.24Modèle d’attention
- 4.25Application à une classification usuel
- 4.26CNN & génération
- 4.27Stratégies d’augmentation des Feature Maps pour la génération d’une image
- Convolutional Neural Networks7
- 4.21Définition, fondements & applications
- 4.22Fonctionnement
- 4.23Architecture CNN pour la classification d’images
- 4.24Modèle d’attention
- 4.25Application à une classification usuel
- 4.26CNN & génération
- 4.27Stratégies d’augmentation des Feature Maps pour la génération d’une image
- Convolutional Neural Networks7
- 4.21Définition, fondements & applications
- 4.22Fonctionnement
- 4.23Architecture CNN pour la classification d’images
- 4.24Modèle d’attention
- 4.25Application à une classification usuel
- 4.26CNN & génération
- 4.27Stratégies d’augmentation des Feature Maps pour la génération d’une image
- RNN8
- 5.28Définition, fondements & applications
- 5.29Fonctionnement
- 5.30Évolutions : GRU & LSTM
- 5.31Problèmes de convergence & vanising gradient
- 5.32Types d’architecture
- 5.33Architecture RNN Encorder Decoder
- 5.34Application NLP
- 5.35Application vidéo
- RNN8
- 5.28Définition, fondements & applications
- 5.29Fonctionnement
- 5.30Évolutions : GRU & LSTM
- 5.31Problèmes de convergence & vanising gradient
- 5.32Types d’architecture
- 5.33Architecture RNN Encorder Decoder
- 5.34Application NLP
- 5.35Application vidéo
- RNN8
- 5.28Définition, fondements & applications
- 5.29Fonctionnement
- 5.30Évolutions : GRU & LSTM
- 5.31Problèmes de convergence & vanising gradient
- 5.32Types d’architecture
- 5.33Architecture RNN Encorder Decoder
- 5.34Application NLP
- 5.35Application vidéo
- RNN8
- 5.28Définition, fondements & applications
- 5.29Fonctionnement
- 5.30Évolutions : GRU & LSTM
- 5.31Problèmes de convergence & vanising gradient
- 5.32Types d’architecture
- 5.33Architecture RNN Encorder Decoder
- 5.34Application NLP
- 5.35Application vidéo
- RNN8
- 5.28Définition, fondements & applications
- 5.29Fonctionnement
- 5.30Évolutions : GRU & LSTM
- 5.31Problèmes de convergence & vanising gradient
- 5.32Types d’architecture
- 5.33Architecture RNN Encorder Decoder
- 5.34Application NLP
- 5.35Application vidéo
- Modèles générationnels : VAE et GAN8
- 6.36Définition, fondements & applications
- 6.37Auto-encoder & Variational AutoEncoder
- 6.38Espace latent
- 6.39Reparameterization trick
- 6.40Generative Adversarial Networks
- 6.41Convergence d’un GAN & problématiques
- 6.42Convergence améliorée
- 6.43Applications
- Modèles générationnels : VAE et GAN8
- 6.36Définition, fondements & applications
- 6.37Auto-encoder & Variational AutoEncoder
- 6.38Espace latent
- 6.39Reparameterization trick
- 6.40Generative Adversarial Networks
- 6.41Convergence d’un GAN & problématiques
- 6.42Convergence améliorée
- 6.43Applications
- Modèles générationnels : VAE et GAN8
- 6.36Définition, fondements & applications
- 6.37Auto-encoder & Variational AutoEncoder
- 6.38Espace latent
- 6.39Reparameterization trick
- 6.40Generative Adversarial Networks
- 6.41Convergence d’un GAN & problématiques
- 6.42Convergence améliorée
- 6.43Applications
- Modèles générationnels : VAE et GAN8
- 6.36Définition, fondements & applications
- 6.37Auto-encoder & Variational AutoEncoder
- 6.38Espace latent
- 6.39Reparameterization trick
- 6.40Generative Adversarial Networks
- 6.41Convergence d’un GAN & problématiques
- 6.42Convergence améliorée
- 6.43Applications
- Modèles générationnels : VAE et GAN8
- 6.36Définition, fondements & applications
- 6.37Auto-encoder & Variational AutoEncoder
- 6.38Espace latent
- 6.39Reparameterization trick
- 6.40Generative Adversarial Networks
- 6.41Convergence d’un GAN & problématiques
- 6.42Convergence améliorée
- 6.43Applications
- Deep Reinforcement Learning5
- 7.44Reinforcement Learning
- 7.45Fonction d’état & réseau neuronal
- 7.46Deep Q Learning
- 7.47Optimisations de la politique d’apprentissage & On-policy et off-policy
- 7.49Applications
- Deep Reinforcement Learning6
- 7.44Reinforcement Learning
- 7.45Fonction d’état & réseau neuronal
- 7.46Deep Q Learning
- 7.47Optimisations de la politique d’apprentissage & On-policy et off-policy
- 7.48Actor critic architecture & A3C
- 7.49Applications
- Deep Reinforcement Learning6
- 7.44Reinforcement Learning
- 7.45Fonction d’état & réseau neuronal
- 7.46Deep Q Learning
- 7.47Optimisations de la politique d’apprentissage & On-policy et off-policy
- 7.48Actor critic architecture & A3C
- 7.49Applications
- Deep Reinforcement Learning6
- 7.44Reinforcement Learning
- 7.45Fonction d’état & réseau neuronal
- 7.46Deep Q Learning
- 7.47Optimisations de la politique d’apprentissage & On-policy et off-policy
- 7.48Actor critic architecture & A3C
- 7.49Applications
- Deep Reinforcement Learning6
- 7.44Reinforcement Learning
- 7.45Fonction d’état & réseau neuronal
- 7.46Deep Q Learning
- 7.47Optimisations de la politique d’apprentissage & On-policy et off-policy
- 7.48Actor critic architecture & A3C
- 7.49Applications
