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
