Plan du cours

Apprentissage supervisé : classification et régression

  • Compromis biais-variance
  • La régression logistique comme classificateur
  • Mesurer la performance d'un classificateur
  • Machines à vecteurs de support
  • Réseaux neuronaux
  • Forêts aléatoires

Apprentissage non supervisé : regroupement, détection des anomalies

  • analyse en composantes principales
  • autoencodeurs

Architectures de réseaux neuronaux avancés

  • réseaux neuronaux convolutionnels pour l'analyse d'images
  • réseaux neuronaux récurrents pour les données structurées dans le temps
  • la cellule de mémoire à long terme

Exemples pratiques de problèmes que l'IA peut résoudre, par exemple

  • l'analyse d'images
  • la prévision de séries financières complexes, telles que le cours des actions,
  • la reconnaissance de formes complexes
  • le traitement du langage naturel
  • systèmes de recommandation

Plateformes logicielles utilisées pour les applications d'IA :

  • TensorFlow, Theano, Caffe et Keras.
  • L'IA à grande échelle avec Apache Spark : Mlib

Comprendre les limites des méthodes d'IA : modes d'échec, coûts et difficultés courantes

  • surajustement
  • biais dans les données d'observation
  • données manquantes
  • empoisonnement des réseaux neuronaux

Pré requis

Aucune condition particulière n'est requise pour participer à ce cours.

  28 heures
 

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.
Les formations ouvertes requièrent plus de 3 participants.

Cours Similaires

Catégories Similaires