Machine Learning | Groupado Pro - investissez dans vous-même
Accueil     Machine Learning

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
(325) 1653 étudiant
Créé par Haythem Ghazouani
04 Janvier 2024
Français

Qu'allez-vous apprendre

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

Durée de la formation

  1. Nombre d’heure total : 50h

Nombres de séances

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

Fréquence hebdomadaire

  1. Nombre de live par semaine: 4

Prérequis

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

Ce cours inclut

  1. Certificat de complétion.
  2. Un support de cours numérique
  3. 2 projets.
  4. 20h de théorie.
  5. 30h de pratique.

Plan de cours

  1. Fondamentaux du Machine Learning (Niveau Débutant)
  2. Préambule
  3. Pipeline basique d’un Machine Learning
  4. Préparation des données
  5. Construction d’un modèle de ML
  6. Fondamentaux du Machine Learning (Niveau Débutant)
  7. Préambule
  8. Pipeline basique d’un Machine Learning
  9. Préparation des données
  10. Construction d’un modèle de ML
  11. Motivation au Machine Learning (Niveau Débutant)
  12. Historique
  13. Motivation
  14. Evaluation et fondamentaux du Deep Learning
  15. Overfitting et Underfitting
  16. Les élément de base du Deep Learning (Niveau Débutant)
  17. Comment formuler un problème de ML
  18. Apprentissage supervisé
  19. Apprentissage non-supervisé
  20. Reinforcement Learning
  21. Génération des ensembles de données (dataset)
  22. Les fonctions Loss
  23. L’algorithme de la descente du gradient
  24. Régression logistique
  25. Intégration de Scikit-Learn avec d’autres librairies (Pandas, Numpy, SciPy, Matplotlib, etc.).
  26. Représentation des données par des tableaux (Numpy, Scipy, Pandas, Python)
  27. Représentation d’une prédiction par une classe (prédicteur, classifieur, estimator). Comment choisir le bon algorithme d’apprentissage automatique ?
  28. Biais, Variance et Régularisation (Niveau Intermédiaire)
  29. Risque empirique/risque réel
  30. Minimisation de risque empirique
  31. Analyse de l’erreur
  32. Compromis Biais/Variance
  33. Régularisation biais/variance
  34. La perspective bayésienne
  35. Exemple : régularisation régression logistique
  36. Rétropropagation (Niveau Intermédiaire)
  37. Forward Propagation
  38. Backward Propagation
  39. Convolutional Neural Networks (Niveau Avancé)
  40. DL et ML trends
  41. Détection d’objets
  42. Deep Neural Networks
  43. Inspiration des réseaux de convolution
  44. Les réseaux de neurones convoltutifs (CNNs)
  45. 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)
  46. Datasets et Architectures CNNs connues (Niveau Avancé)
  47. Les datasets connues
  48. Les architectures Deep Learning et leurs performances.
  49. Transfer Learning
  50. Transfert Learning
  51. Datasets et Architectures CNNs
  52. C’est quoi la vision par ordinateur ?
  53. Qui utilise la vision par ordinateur
  54. Applications
  55. Historique
  56. Les défis
  57. Classification d’images
  58. Détection d’objet
  59. Segmentation
  60. OCR
  61. Feature Point Clustering
  62. Image Captionning
  63. Generative Adversial Networks (GAN)
  64. Bibliothèques et fonctions utiles de traitement d’images avec Python
  65. Visualisation et transfert de style
  66. Que voit le cerveau ?
  67. Visualisation des filtres
  68. Visualisation des réponses des neurones
  69. Utilisation du gradient pour la visualisation
  70. Utilisation de la rétropropagation pour la modification d’images
  71. Comment quantifier le style dans les peintures/images
  72. Transfert de style
  73. Les réseaux de neurones récurrents (RNN)
  74. Introduction aux RNNs
  75. Problème de la dépendance à long terme
  76. Long-Short-Term-Memory (LSTM)
  77. Applications
  78. LSTM pour la finance : prédire l’évolution des actions boursières
  79. Natural Language Processing (NLP)
  80. Evolution du NLP
  81. Problème de la dépendance à long terme
  82. L’idée : pré-entrainement non supervisé
  83. Word2Vec
  84. Représentation contextuelle
  85. Natural Language Processing NLP (TAL) comme exemple du RNN
  86. Generative Adversial Networks (GAN)
  87. Introduction au GANs
  88. Applications
  89. Idée Générale des GANs
  90. Construction du Discriminateur
  91. Construction du Générateur
  92. Log-Loss error function
  93. Construire une modèle de GAN pour générer/imiter des chiffres manuscrits.
  94. Generative Adversial Network Examples
  95. Meta-Learning et Recap

Vos avis

4.8

ML

Mourad. L

2 days ago
Pas du tout compliqué, tout est très bien expliqué, merci monsieur !
HG

Halim. G

2 days ago
Ready to invest in crypto !! Thank you guys
LJ

Laurent.J

2 days ago
Intéressant :))))
MO

Membaye.O

2 days ago
merci bcp pour votre aide

Questions fréquentes

Haythem Ghazouani
IA Expert

  1. Numéro du cours

    FML001

  2. Séances en direct

    25

  3. Durée du cours

    5 semaines

  4. Début du cours

Accueil     Machine Learning
1199 TND

Click on the button below to receive information and updates on the course

Téléphone
26 641 620

Train 5 people or more?

Nous vous proposons des programmes flexibles pour répondre aux différents besoins de vos équipes.

IA Expert
Machine Learning

  1. Numéro du cours

    FML001

  2. Séances en direct

    25

  3. Durée du cours

    5 semaines

  4. Début du cours