Prenez contact avec nous

Plan du cours

Apprentissage supervisé : classification et régression

  • Apprentissage automatique en Python : introduction à l'API scikit-learn
    • Régression linéaire et logistique
    • Machines à vecteurs de support (SVM)
    • Réseaux de neurones
    • Forêts aléatoires
  • Mise en place d'un pipeline d'apprentissage supervisé complet à l'aide de scikit-learn
    • Manipulation de fichiers de données
    • Imputation des valeurs manquantes
    • Gestion des variables catégorielles
    • Visualisation des données

Cadres de travail 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 convolutifs pour l'analyse d'images
  • Réseaux de neurones récurrents pour les données structurées dans le temps
  • Cellule de mémoire à long terme (LSTM)

Apprentissage non supervisé : regroupement, détection d'anomalies

  • Mise en œuvre de l'analyse en composantes principales avec scikit-learn
  • Mise en œuvre d'autoencodeurs dans Keras

Exemples pratiques de problèmes que l'IA peut résoudre (exercices pratiques utilisant des notebooks Jupyter), par exemple  

  • Analyse d'images
  • Prévision de séries financières complexes, telles que les cours des actions,
  • Reconnaissance de motifs complexes
  • Traitement du langage naturel
  • Systèmes de recommandation

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

  • Surapprentissage
  • Compromis biais/variance
  • Biais dans les données observationnelles
  • Empoisonnement des réseaux de neurones

Travail de projet appliqué (facultatif)

Pré requis

Il n'y a aucune exigence spécifique pour assister à ce cours.

 28 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires