Se connecter
S'inscrire

Machine Learning

La formation en apprentissage machine (Machine Learning) est une branche de l'intelligence artificielle qui se concentre sur la création de systèmes informatiques capables d'apprendre sans être explicitement programmés. Cette formation comprend des concepts tels que l'apprentissage supervisé, non supervisé et renforcé, ainsi que des techniques telles que les réseaux de neurones, les arbres de décision et les algorithmes de clustering. Les étudiants apprennent également à utiliser des outils tels que Python et TensorFlow pour implémenter des modèles d'apprentissage automatique. Les compétences acquises dans ce domaine sont largement utilisées dans de nombreux secteurs, tels que la finance, la santé, les médias et les technologies de l'information.

4.8

5/5

(325)

1653 étudiant

TND  1,199

Cliquez sur le bouton ci-dessous pour recevoir des informations et des mises à jour sur le cours

Pre - Inscription

Téléphone

26 641 620

Email

[email protected]

Former 5 personnes ou plus ?

Nous vous proposons des programmes flexibles pour répondre aux différents besoins de vos équipes.
Pour les entreprises
Featured Image
Haythem Ghazouani

AI Expert

Course Name

Machine Learning

Course duration

6 semaines

Live sessions

25

Start of course

mars 3, 2024

Modalité de Formation

Chez GroupadoPro, vous pouvez choisir de vous former en ligne et en présentiel, selon vos disponibilités.

Qu'allez-vous apprendre

  • Décrire les concepts de la Machine Learning
  • Connaître les principaux algorithmes utilisés en Machine Learning
  • Comprendre les réseaux de neurones modernes et leur application en vision et traitement du langage naturel
  • Connaître les blocs de construction des couches constituant les réseaux de neurones
  • Construire des architectures complexes avec les Frameworks Keras et Tensorflow.

Durée de la formation

  • Nombre d’heure total: 50h

Nombres de séances

  • Nombre de séances en live: 25
  • Durée d’une séance en live: 2h

Fréquence hebdomadaire

  • Nombre de live par semaine: 4

Prérequis

  • Des notions de base en Probabilité, Statistiques, langage interprété (Python) et Analyse des données

Ce cours inclut

  • Certificat de complétion.
  • Un support de cours numérique
  • 2 projets.
  • 20h de théorie.
  • 30h de pratique.

Plan de cours

  • Fondamentaux du Machine Learning (Niveau Débutant)

    • Préambule
    • Pipeline basique d’un Machine Learning
    • Préparation des données
    • Construction d’un modèle de ML

  • Fondamentaux du Machine Learning (Niveau Débutant)

    • Préambule
    • Pipeline basique d’un Machine Learning
    • Préparation des données
    • Construction d’un modèle de ML

  • Motivation au Machine Learning (Niveau Débutant)

    • Historique
    • Motivation
    • Evaluation et fondamentaux du Deep Learning
    • Overfitting et Underfitting

  • Les élément de base du Deep Learning (Niveau Débutant)

    • Comment formuler un problème de ML
    • Apprentissage supervisé
    • Apprentissage non-supervisé
    • Reinforcement Learning
    • Génération des ensembles de données (dataset)
    • Les fonctions Loss
    • L’algorithme de la descente du gradient
    • Régression logistique
    • Intégration de Scikit-Learn avec d’autres librairies (Pandas, Numpy, SciPy, Matplotlib, etc.).
    • Représentation des données par des tableaux (Numpy, Scipy, Pandas, Python)
    • Représentation d’une prédiction par une classe (prédicteur, classifieur, estimator). Comment choisir le bon algorithme d’apprentissage automatique ?

  • Biais, Variance et Régularisation (Niveau Intermédiaire)

    • Risque empirique/risque réel
    • Minimisation de risque empirique
    • Analyse de l’erreur
    • Compromis Biais/Variance
    • Régularisation biais/variance
    • La perspective bayésienne
    • Exemple : régularisation régression logistique

  • Rétropropagation (Niveau Intermédiaire)

    • Forward Propagation
    • Backward Propagation

  • Convolutional Neural Networks (Niveau Avancé)

    • DL et ML trends
    • Détection d’objets
    • Deep Neural Networks
    • Inspiration des réseaux de convolution
    • Les réseaux de neurones convoltutifs (CNNs)
    • Reconnaissance et classification d’images de fleurs selon des critères observables (chargement d’une base, découverte du contenu, observation des données, visualisation avec Seaborn, apprentissage, prédiction)

  • Datasets et Architectures CNNs connues (Niveau Avancé)

    1. Les datasets connues
    2. Les architectures Deep Learning et leurs performances.
    3. Transfer Learning
    4. Transfert Learning

  • Datasets et Architectures CNNs

    1. C’est quoi la vision par ordinateur ?
    2. Qui utilise la vision par ordinateur
    3. Applications
    4. Historique
    5. Les défis
    6. Classification d’images
    7. Détection d’objet
    8. Segmentation
    9. OCR
    10. Feature Point Clustering
    11. Image Captionning
    12. Generative Adversial Networks (GAN)
    13. Bibliothèques et fonctions utiles de traitement d’images avec Python

  • Visualisation et transfert de style

    • Que voit le cerveau ?
    • Visualisation des filtres
    • Visualisation des réponses des neurones
    • Utilisation du gradient pour la visualisation
    • Utilisation de la rétropropagation pour la modification d’images
    • Comment quantifier le style dans les peintures/images
    • Transfert de style

  • Les réseaux de neurones récurrents (RNN)

    • Introduction aux RNNs
    • Problème de la dépendance à long terme
    • Long-Short-Term-Memory (LSTM)
    • Applications
    • LSTM pour la finance : prédire l’évolution des actions boursières

  • Natural Language Processing (NLP)

    1. Evolution du NLP
    2. Problème de la dépendance à long terme
    3. L’idée : pré-entrainement non supervisé
    4. Word2Vec
    5. Représentation contextuelle
    6. Natural Language Processing NLP (TAL) comme exemple du RNN

  • Generative Adversial Networks (GAN)

    • Introduction au GANs
    • Applications
    • Idée Générale des GANs
    • Construction du Discriminateur
    • Construction du Générateur
    • Log-Loss error function
    • Construire une modèle de GAN pour générer/imiter des chiffres manuscrits.

  • Generative Adversial Network Examples

  • Meta-Learning et Recap

Vos avis

4.8

5/5

Mourad. L

5/5

2 days ago

Pas du tout compliqué, tout est très bien expliqué, merci monsieur !

Halim. G

5/5

3 days ago

Ready to invest in crypto !! Thank you guys

Laurent.J

5/5

4 days ago

Intéressant :))))

Membaye.O

5/5

6 days ago

merci bcp pour votre aide

Questions fréquentes

Nous proposons une gamme variée de formations qui sont reconnues à l’échelle nationale. De plus, nous offrons des certifications officielles qui jouissent d’une reconnaissance internationale incontestée.

Les bénéficiaires sont les étudiants et les professionnels qui souhaitent faire une reconversion ou développer leurs compétences professionnelles.

Nous offrons trois options de paiement pratiques : en ligne, par chèque ou en espèces, avec la possibilité de bénéficier d’une facilité de paiement.

Oui, nous garantissons la sécurité de tous les paiements effectués, qu’il s’agisse de paiements en ligne, par chèque ou en espèces. Votre sécurité et la confidentialité de vos informations sont nos priorités.

Machine Learning

La formation en apprentissage machine (Machine Learning) est une branche de l'intelligence artificielle qui se concentre sur la création de systèmes informatiques capables d'apprendre sans être explicitement programmés. Cette formation comprend des concepts tels que l'apprentissage supervisé, non supervisé et renforcé, ainsi que des techniques telles que les réseaux de neurones, les arbres de décision et les algorithmes de clustering. Les étudiants apprennent également à utiliser des outils tels que Python et TensorFlow pour implémenter des modèles d'apprentissage automatique. Les compétences acquises dans ce domaine sont largement utilisées dans de nombreux secteurs, tels que la finance, la santé, les médias et les technologies de l'information.

4.8

5/5

(325)

1653 étudiant

Créé par Haythem Ghazouani

  • mars 3, 2024
Machine Learning

TND  1,199

Cliquez sur le bouton ci-dessous pour recevoir des informations et des mises à jour sur le cours

Pre - Inscription

Téléphone

26 641 620

Email

[email protected]

Former 5 personnes ou plus ?

Nous vous proposons des programmes flexibles pour répondre aux différents besoins de vos équipes.
Pour les entreprises
Featured Image
Haythem Ghazouani

AI Expert

Course Name

Machine Learning

Course duration

6 semaines

Live sessions

25

Start of course

mars 3, 2024

Modalité de Formation

Chez GroupadoPro, vous pouvez choisir de vous former en ligne et en présentiel, selon vos disponibilités.

Qu'allez-vous apprendre

  • Décrire les concepts de la Machine Learning
  • Connaître les principaux algorithmes utilisés en Machine Learning
  • Comprendre les réseaux de neurones modernes et leur application en vision et traitement du langage naturel
  • Connaître les blocs de construction des couches constituant les réseaux de neurones
  • Construire des architectures complexes avec les Frameworks Keras et Tensorflow.

Durée de la formation

  • Nombre d’heure total: 50h

Nombres de séances

  • Nombre de séances en live: 25
  • Durée d’une séance en live: 2h

Fréquence hebdomadaire

  • Nombre de live par semaine: 4

Prérequis

  • Des notions de base en Probabilité, Statistiques, langage interprété (Python) et Analyse des données

Ce cours inclut

  • Certificat de complétion.
  • Un support de cours numérique
  • 2 projets.
  • 20h de théorie.
  • 30h de pratique.

Plan de cours

  • Fondamentaux du Machine Learning (Niveau Débutant)

    • Préambule
    • Pipeline basique d’un Machine Learning
    • Préparation des données
    • Construction d’un modèle de ML

  • Fondamentaux du Machine Learning (Niveau Débutant)

    • Préambule
    • Pipeline basique d’un Machine Learning
    • Préparation des données
    • Construction d’un modèle de ML

  • Motivation au Machine Learning (Niveau Débutant)

    • Historique
    • Motivation
    • Evaluation et fondamentaux du Deep Learning
    • Overfitting et Underfitting

  • Les élément de base du Deep Learning (Niveau Débutant)

    • Comment formuler un problème de ML
    • Apprentissage supervisé
    • Apprentissage non-supervisé
    • Reinforcement Learning
    • Génération des ensembles de données (dataset)
    • Les fonctions Loss
    • L’algorithme de la descente du gradient
    • Régression logistique
    • Intégration de Scikit-Learn avec d’autres librairies (Pandas, Numpy, SciPy, Matplotlib, etc.).
    • Représentation des données par des tableaux (Numpy, Scipy, Pandas, Python)
    • Représentation d’une prédiction par une classe (prédicteur, classifieur, estimator). Comment choisir le bon algorithme d’apprentissage automatique ?

  • Biais, Variance et Régularisation (Niveau Intermédiaire)

    • Risque empirique/risque réel
    • Minimisation de risque empirique
    • Analyse de l’erreur
    • Compromis Biais/Variance
    • Régularisation biais/variance
    • La perspective bayésienne
    • Exemple : régularisation régression logistique

  • Rétropropagation (Niveau Intermédiaire)

    • Forward Propagation
    • Backward Propagation

  • Convolutional Neural Networks (Niveau Avancé)

    • DL et ML trends
    • Détection d’objets
    • Deep Neural Networks
    • Inspiration des réseaux de convolution
    • Les réseaux de neurones convoltutifs (CNNs)
    • Reconnaissance et classification d’images de fleurs selon des critères observables (chargement d’une base, découverte du contenu, observation des données, visualisation avec Seaborn, apprentissage, prédiction)

  • Datasets et Architectures CNNs connues (Niveau Avancé)

    1. Les datasets connues
    2. Les architectures Deep Learning et leurs performances.
    3. Transfer Learning
    4. Transfert Learning

  • Datasets et Architectures CNNs

    1. C’est quoi la vision par ordinateur ?
    2. Qui utilise la vision par ordinateur
    3. Applications
    4. Historique
    5. Les défis
    6. Classification d’images
    7. Détection d’objet
    8. Segmentation
    9. OCR
    10. Feature Point Clustering
    11. Image Captionning
    12. Generative Adversial Networks (GAN)
    13. Bibliothèques et fonctions utiles de traitement d’images avec Python

  • Visualisation et transfert de style

    • Que voit le cerveau ?
    • Visualisation des filtres
    • Visualisation des réponses des neurones
    • Utilisation du gradient pour la visualisation
    • Utilisation de la rétropropagation pour la modification d’images
    • Comment quantifier le style dans les peintures/images
    • Transfert de style

  • Les réseaux de neurones récurrents (RNN)

    • Introduction aux RNNs
    • Problème de la dépendance à long terme
    • Long-Short-Term-Memory (LSTM)
    • Applications
    • LSTM pour la finance : prédire l’évolution des actions boursières

  • Natural Language Processing (NLP)

    1. Evolution du NLP
    2. Problème de la dépendance à long terme
    3. L’idée : pré-entrainement non supervisé
    4. Word2Vec
    5. Représentation contextuelle
    6. Natural Language Processing NLP (TAL) comme exemple du RNN

  • Generative Adversial Networks (GAN)

    • Introduction au GANs
    • Applications
    • Idée Générale des GANs
    • Construction du Discriminateur
    • Construction du Générateur
    • Log-Loss error function
    • Construire une modèle de GAN pour générer/imiter des chiffres manuscrits.

  • Generative Adversial Network Examples

  • Meta-Learning et Recap

Vos avis

4.8

5/5

Mourad. L

5/5

2 days ago

Pas du tout compliqué, tout est très bien expliqué, merci monsieur !

Halim. G

5/5

3 days ago

Ready to invest in crypto !! Thank you guys

Laurent.J

5/5

4 days ago

Intéressant :))))

Membaye.O

5/5

6 days ago

merci bcp pour votre aide

Questions fréquentes

Nous proposons une gamme variée de formations qui sont reconnues à l’échelle nationale. De plus, nous offrons des certifications officielles qui jouissent d’une reconnaissance internationale incontestée.

Les bénéficiaires sont les étudiants et les professionnels qui souhaitent faire une reconversion ou développer leurs compétences professionnelles.

Nous offrons trois options de paiement pratiques : en ligne, par chèque ou en espèces, avec la possibilité de bénéficier d’une facilité de paiement.

Oui, nous garantissons la sécurité de tous les paiements effectués, qu’il s’agisse de paiements en ligne, par chèque ou en espèces. Votre sécurité et la confidentialité de vos informations sont nos priorités.

© 2024 Groupado

Politique de Confidentialité