Détails
- 14 Sections
- 94 Lessons
- 14 Hours
Expand all sectionsCollapse all sections
- Introduction à l'IA7
- 1.1Historique de l’IA
- 1.2L’IA aujourd’hui
- 1.3Tâches intellectuelles & algorithmes
- 1.4Types d’actions
- 1.5Intelligence collective
- 1.6Algorithmes génétiques
- 1.7Machine learning
- Introduction à l'IA7
- 2.1Historique de l’IA
- 2.2L’IA aujourd’hui
- 2.3Tâches intellectuelles & algorithmes
- 2.4Types d’actions
- 2.5Intelligence collective
- 2.6Algorithmes génétiques
- 2.7Machine learning
- Réseaux neuronal & Deep Learning6
- 3.1Définition : réseau neuronal
- 3.2Courbe d’apprentissage du réseau
- 3.3Représentation d’une fonction par un réseau de neurones
- 3.4Création de représentations internes
- 3.5Généralisation des résultats
- 3.6Deep learning : impact, forces & faiblesses
- Réseaux neuronal & Deep Learning6
- 4.1Définition : réseau neuronal
- 4.2Courbe d’apprentissage du réseau
- 4.3Représentation d’une fonction par un réseau de neurones
- 4.4Création de représentations internes
- 4.5Généralisation des résultats
- 4.6Deep learning : impact, forces & faiblesses
- Mise en oeuvre du Deep Learning13
- 5.1Classification de données
- 5.2Enjeux de la classification & choix impliqués
- 5.3Outils de classification
- 5.4Prédiction d’information
- 5.5Donnée séquentielle/temporelle
- 5.6Enjeux & problématiques d’une prédiction
- 5.7Règles structurelles & outils de prédiction
- 5.8Génération & transformation de données
- 5.9Réinterprétation d’une donnée
- 5.10Transformation sur un même format
- 5.11Génération de donnée originale
- 5.12Reinforcement Learning
- 5.13Experience Replay
- Mise en oeuvre du Deep Learning13
- 6.1Classification de données
- 6.2Enjeux de la classification & choix impliqués
- 6.3Outils de classification
- 6.4Prédiction d’information
- 6.5Donnée séquentielle/temporelle
- 6.6Enjeux & problématiques d’une prédiction
- 6.7Règles structurelles & outils de prédiction
- 6.8Génération & transformation de données
- 6.9Réinterprétation d’une donnée
- 6.10Transformation sur un même format
- 6.11Génération de donnée originale
- 6.12Reinforcement Learning
- 6.13Experience Replay
- Usages du Deep learning5
- 7.1Condition sur les données
- 7.2Données brutes & features travaillées
- 7.3ML vs DL : comparatif des forces & faiblesse des modèles
- 7.4Supervised & Unsupervised
- 7.5Qualification de la solution d’un problème
- Usages du Deep learning5
- 8.1Condition sur les données
- 8.2Données brutes & features travaillées
- 8.3ML vs DL : comparatif des forces & faiblesse des modèles
- 8.4Supervised & Unsupervised
- 8.5Qualification de la solution d’un problème
- Génération d'un Dataset6
- 9.1Définition
- 9.2Stockage & contrôle de la donnée
- 9.3Compréhension de la donnée
- 9.4Formatage de la donnée
- 9.5Préparation de la donnée
- 9.6Choix de la structure & pertinence de l’algorithme
- Génération d'un Dataset6
- 10.1Définition
- 10.2Stockage & contrôle de la donnée
- 10.3Compréhension de la donnée
- 10.4Formatage de la donnée
- 10.5Préparation de la donnée
- 10.6Choix de la structure & pertinence de l’algorithme
- Recherche de la solution optiminale5
- 11.1Méthodologie
- 11.2Direction de recherche, comparatif avec publications & projets similaires
- 11.3Itérations successives
- 11.4Conservation d’un banc de comparaison transversal
- 11.5Solution optimale
- Recherche de la solution optiminale5
- 12.1Méthodologie
- 12.2Direction de recherche, comparatif avec publications & projets similaires
- 12.3Itérations successives
- 12.4Conservation d’un banc de comparaison transversal
- 12.5Solution optimale
- Outils5
- 13.1Tour d’horizon des outils sur le marché
- 13.2Comparatif des outils selon leur utilisation
- 13.3Industrialisation d’un réseau neuronal
- 13.4Réapprentissages successifs pour la conservation d’un réseau à jour
- 13.5Formation des utilisateurs
- Outils5
- 14.1Tour d’horizon des outils sur le marché
- 14.2Comparatif des outils selon leur utilisation
- 14.3Industrialisation d’un réseau neuronal
- 14.4Réapprentissages successifs pour la conservation d’un réseau à jour
- 14.5Formation des utilisateurs
