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.
Durée de la formation
Volume horaire : 50h
Durée totale : 6 semaines
Nombre de séances en live : 25
Durée d’une séance en live : 2h
4 séances de live par semaine
Ce cours inclut
- 25 séances de Live avec le formateur
- Un support de cours numérique
- Deux projets
- 20 heures de théorie
- 30 heures de pratique
- Un certificat de complétion
Descriptif du cours
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.
Prérequis
Des notions de base en :
Probabilité / Statistiques, langage interprété (Python), Analyse des données
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.
Contenu théorique
Chapitre 1 : Fondamentaux du Machine Learning (Niveau Débutant)
- Préambule
- Pipeline basique d’un Machine Learning
- Préparation des données
- Construction d’un modèle de ML
Chapitre 2 : Motivation au Machine Learning (Niveau Débutant)
- Historique
- Motivation
- Evaluation et fondamentaux du Deep Learning
- Overfitting et Underfitting
Chapitre 3 : 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 ?
Chapitre 4 : 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
Chapitre 5 : Rétropropagation (Niveau Intermédiaire)
- Forward Propagation
- Backward Propagation
Chapitre 6 : 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)
Chapitre 7: Datasets et Architectures CNNs connues (Niveau Avancé)
- Les datasets connues
- Les architectures Deep Learning et leurs performances.
- Transfer Learning
- Transfert Learning
Chapitre 8: Datasets et Architectures CNNs connues (Niveau Avancé)
- C’est quoi la vision par ordinateur ?
- Qui utilise la vision par ordinateur ?
- Applications
- Historique
- Les défis
- Classification d’images
- Détection d’objets
- Segmentation
- OCR
- Feature Point Clustering
- Image Captionning
- Generative Adversial Networks (GAN)
- Bibliothèques et fonctions utiles de traitement d’images avec Python
Chapitre 9: 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
Chapitre 10: 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
Chapitre 11: Natural Language Processing (NLP)
- Evolution du NLP
- Problème de la dépendance à long terme
- L’idée : pré-entrainement non supervisé
- Word2Vec
- Représentation contextuelle
- Natural Language Processing NLP (TAL) comme exemple du RNN
Chapitre 12: 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.
Chapitre 13: Generative Adversial Network Examples
Chapitre 14: Meta-Learning et Recap


-
Course Number
FML001 Live sessions
25Course Length
6 weeks-
Price
USD 780 -
Session 1
Classes Start