Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan du cours
Jour 1 :
Base Machine Learning
Module-1
Introduction :
- Exercice &ndash ; Installation des bibliothèques Python et NN
- Pourquoi l'apprentissage automatique ?
- Brève histoire de l'apprentissage automatique
- L'essor de l'apprentissage profond
- Concepts de base de l'apprentissage automatique
- Visualisation d'un problème de classification
- Limites et régions de décision
- Cahiers iPython
Module-2
- Exercice &ndash ; Régions de décision
- Le neurone artificiel
- Le réseau neuronal, la propagation vers l'avant et les couches du réseau
- Les fonctions d'activation
- Exercice &ndash ; Fonctions d'activation
- Rétropropagation de l'erreur
- Sous-application et sur-application
- Interpolation et lissage
- Extrapolation et abstraction des données
- Généralisation dans l'apprentissage automatique
Module-3
- Exercice &ndash ; sous-adaptation et suradaptation
- Jeux d'entraînement, de test et de validation
- Biais des données et problème de l'exemple négatif
- Compromis biais/variance
- Exercice &ndash ; Jeux de données et biais
Module 4
- Vue d'ensemble des paramètres et hyperparamètres du NN
- Problèmes de régression logistique
- Fonctions de coût
- Exemple &ndash ; Régression
- Apprentissage machine classique vs. apprentissage profond
- Conclusion
Jour 2 : Convolutionnel Neural Networks (CNN)
Module-5
- Introduction aux CNN
- Qu'est-ce qu'un CNN ?
- Computer vision
- Les CNN dans la vie de tous les jours
- Images &ndash ; pixels, quantification de la couleur & ; espace, RGB
- Equations de convolution et signification physique, continu vs. discret
- Exercice &ndash ; Convolution 1D
Module-6
- Base théorique du filtrage
- Le signal comme somme de sinusoïdes
- Spectre de fréquence
- Filtres passe-bande
- Exercice &ndash ; Filtrage de fréquence
- Filtres convolutionnels 2D
- Rembourrage et longueur de bande
- Filtre passe-bande
- Filtre en tant que correspondance de gabarit
- Exercice &ndash ; Détection des contours
- Filtres de Gabor pour l'analyse des fréquences localisées
- Exercice &ndash ; Filtres de Gabor comme cartes de la couche 1
Module-7
- Architecture du CNN
- Couches convolutives
- Couches de mise en commun maximale
- Couches de déséchantillonnage
- Abstraction récursive des données
- Exemple d'abstraction récursive
Module-8
- Exercice &ndash ; Utilisation de base du CNN
- Jeu de données ImageNet et modèle VGG-16
- Visualisation des cartes de caractéristiques
- Visualisation des significations des caractéristiques
- Exercice &ndash ; Cartes de caractéristiques et significations de caractéristiques
Day-3 : Sequence Model
Module 9
- Qu'est-ce qu'un modèle séquentiel ?
- Pourquoi des modèles de séquence ?
- Cas d'utilisation de la modélisation linguistique
- Séquences dans le temps et séquences dans l'espace
Module-10
- RNN
- Architecture récurrente
- Rétropropagation dans le temps
- Gradients disparus
- GRU
- LSTM
- RNN profond
- RNN bidirectionnel
- Exercice &ndash ; RNN unidirectionnel vs. bidirectionnel
- Échantillonnage de séquences
- Prédiction de la sortie d'une séquence
- Exercice &ndash ; Prédiction de sortie de séquence
- RNN sur des signaux simples variant dans le temps
- Exercice &ndash ; Détection de forme d'onde de base
Module 11
- Traitement du langage naturel (NLP)
- Word encastrements
- Word vecteurs : word2vec
- Word vecteurs : GloVe
- Transfert de connaissances et enchâssement de mots
- Analyse de sentiment
- Exercice &ndash ; Analyse de sentiments
Module-12
- Quantifier et éliminer les biais
- Exercice &ndash ; Élimination des biais
- Données audio
- Recherche de faisceaux
- Modèle d'attention
- Reconnaissance de la parole
- Détection des mots déclencheurs
- Exercice &ndash ; Speech Recognition
Pré requis
Aucune condition particulière n'est requise pour participer à ce cours.
21 heures