Prenez contact avec nous

Plan du cours

Apprentissage supervisé : classification et régression

  • Machine Learning en Python : introduction à l'API scikit-learn
    • régression linéaire et logistique
    • machine à vecteurs de support
    • réseaux de neurones
    • forêt aléatoire
  • Création d'un pipeline complet d'apprentissage supervisé avec scikit-learn
    • traitement des fichiers de données
    • imputation des valeurs manquantes
    • gestion des variables catégorielles
    • visualisation des données

Frameworks Python pour les applications IA :

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

Architectures avancées de réseaux de neurones

  • réseaux de neurones convolutionnels pour l'analyse d'images
  • réseaux de neurones récurrents pour les données structurées dans le temps
  • cellule Long Short-Term Memory (LSTM)

Apprentissage non supervisé : clustering et détection d'anomalies

  • implémentation de l'analyse en composantes principales avec scikit-learn
  • implémentation d'auto-encodeurs dans Keras

Exemples pratiques de problèmes résolvables par l'IA (exercices pratiques à l'aide de carnets Jupyter), par exemple :

  • analyse d'images
  • prévision de séries financières complexes, telles que les cours de bourse,
  • reconnaissance de motifs complexes
  • traitement du langage naturel
  • systèmes de recommandation

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

  • sur-apprentissage (overfitting)
  • compromis biais-variance
  • biais dans les données observationnelles
  • empoisonnement de réseaux de neurones

Travaux de projet appliqués (facultatif)

Pré requis

Aucune exigence spécifique n'est requise pour suivre ce cours.

 28 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires