Le Machine Learning & Deep Learning avec Python: De A à Z

Cours complet sur le Machine Learning pour maîtriser l'intelligence artificielle, Tensorflow, et les réseaux de neurones

3.75 (20 reviews)
Udemy
platform
Français
language
Data Science
category
instructor
Le Machine Learning & Deep Learning avec Python: De A à Z
5,280
students
4.5 hours
content
Jul 2022
last update
$34.99
regular price

What you will learn

Apprenez les bases de la théorie du Deep Learning

Apprenez à utiliser différents frameworks en Python pour résoudre des problèmes du monde réel à l'aide du Deep Learning et de l'intelligence art

Construire des réseaux de neurones artificiels avec Tensorflow et Keras

Apprenez à utiliser le Deep Learning en Python

Faire des prédictions à l'aide de la régression linéaire, de la régression polynomiale et de la régression multivariée

Description

Python est reconnu comme l'un des meilleurs langages de programmation pour sa flexibilité. Il fonctionne dans presque tous les domaines, du développement Web au développement d'applications financières. Cependant, ce n'est un secret pour personne que la meilleure application de Python est dans les tâches d'apprentissage automatique, d'apprentissage en profondeur et d'intelligence artificielle.

Bien que Python facilite l'utilisation du Machine Learning et du Deep Learning, il sera toujours assez frustrant pour quelqu'un qui n'a aucune connaissance du fonctionnement de l'apprentissage automatique.

Si vous connaissez les bases de Python et que vous avez envie d'apprendre le Deep Learning, ce cours est fait pour vous. Ce cours vous aidera à apprendre à créer des programmes qui acceptent la saisie de données et automatisent l'extraction de fonctionnalités, simplifiant ainsi les tâches du monde réel pour les humains.

Il existe des centaines de ressources d'apprentissage automatique disponibles sur Internet. Cependant, vous risquez d'apprendre des leçons inutiles si vous ne filtrez pas ce que vous apprenez. Lors de la création de ce cours, nous avons tout filtré pour isoler les bases essentielles dont vous aurez besoin dans votre parcours d'apprentissage en profondeur.

C'est un cours de base qui convient aussi bien aux débutants qu'aux experts. Si vous êtes à la recherche d'un cours qui commence par les bases et passe aux sujets avancés, c'est le meilleur cours pour vous.

Il enseigne uniquement ce dont vous avez besoin pour vous lancer dans l'apprentissage automatique et l'apprentissage en profondeur sans fioritures. Bien que cela aide à garder le cours assez concis, il s'agit de tout ce dont vous avez besoin pour commencer avec le sujet.

Content

Introduction au Deep Learning

Qu'est-ce que le Deep Learning?
Pourquoi le Deep Learning est-il important?
Logiciels et plateformes

Réseaux de Neurones Artificiels (RNA)

Introduction
Anatomie et fonction des neurones
Introduction aux réseaux de neurones
Architecture d'un réseau de neurones

Propagation de l'information dans un réseau de neurones artificiels

Réseau de neurones à propagation avant et rétrograde
Rétro-propagation
Minimisation de la fonction coût avec la rétropropagation

Types d'architecture des réseaux de neurones

Perceptron à une couche
Réseau à base radiale
Perceptron à plusieurs couches
Réseau de neurones récursif
Cellules LSTM (Long Short Term Memory)
Réseau de Hopfield
Machine de Boltzmann

Fonctions d'activation

Qu'est ce qu'une fonction d'activation?
Terminologie Importante
Fonction sigmoïde
Fonction tangente hyperbolique
Fonction softmax
Fonction Unité Linéaire Rectifiée (ou ReLU)
Fonction d'activation Leaky ReLU

Algorithme du gradient (gradient descent) avec Python

Qu'est-ce que la Descente de Gradient ?
Qu'est-ce que la Descente de Gradient Stochastique ?
Descente de Gradient vs Descente de Gradient Stochastique

Présentation sommaire des réseaux de neurones

Comment fonctionnent les réseaux de neurones artificiels ?
Avantages des réseaux de neurones artificiels
Inconvénients des réseaux de neurones artificiels
Applications des réseaux de neurones artificiels

Implémentation d’un RNA en Python

Introduction
Exploration de la base de données
Énoncé du problème
Prétraitement des données
Chargement de la base de données
Séparation de la base de données en variables dépendantes et indépendantes
Codage d'étiquette avec Scikit-Learn
Encodage one-hot avec Scikit-Learn
Ensembles d'apprentissage et de test : Fractionnement des données
Le Feature Scaling
Construction du réseau de neurones artificiels
Ajout de la couche d’entrée et la première couche cachée
Ajout de la seconde couche cachée
Ajout de la couche de sortie
Compilation du réseau de neurones artificiels
Adaptation du RNA à l’ensemble d’apprentissage
Prédiction des résultats de l'ensemble de tests

Réseaux de neurones convolutifs (RNC)

Introduction
Composants d’un réseau de neurones convolutifs
Couche de convolution
Couche de mise en commun
Couche pleinement connectée

Implémentation d'un RNC dans Python

Base de données
Import de bibliothèques python
Construction du modèle RNC
Performance du modèle

Coupons

DateDiscountStatus
6/20/2022100% OFF
expired
6/20/2022100% OFF
expired
6/24/2022100% OFF
expired
7/3/2022100% OFF
expired
7/4/2022100% OFF
expired
7/6/2022100% OFF
working
4715348
udemy ID
6/2/2022
course created date
6/20/2022
course indexed date
Bot
course submited by