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
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