1. Fondamentaux de l'Intelligence Artificielle (IA)
Concepts de base : Définition de l'IA, historique, applications de l'IA dans différents domaines (santé, finance, etc.).
Types d'IA : IA faible (IA spécialisée), IA forte (IA générale), et concepts liés comme l'IA symbolique et l'IA cognitive.
2. Machine Learning (Apprentissage Automatique)
Types de machine learning : Supervisé (classification, régression), non supervisé (clustering, réduction de dimensionnalité), et apprentissage par renforcement.
Algorithmes populaires : Régressions (linéaire, logistique), arbres de décision, k-means, k-plus proches voisins (k-NN), support vector machines (SVM), et réseaux bayésiens.
Évaluation des modèles : Compréhension des métriques comme la précision, le rappel, le F1-score, et l'aire sous la courbe ROC (AUC-ROC).
Prétraitement des données : Techniques comme la normalisation, la standardisation, et la gestion des valeurs manquantes.
3. Deep Learning (Apprentissage Profond)
Introduction aux réseaux neuronaux : Structure des neurones artificiels, couches d'entrée, cachées et de sortie.
Réseaux de neurones profonds : Compréhension des architectures avancées comme les réseaux de neurones convolutifs (CNN) pour le traitement d'images et les réseaux de neurones récurrents (RNN) pour les données séquentielles.
Algorithmes d'apprentissage profond : Utilisation d'algorithmes comme l'algorithme du gradient, la rétropropagation pour l'entraînement des réseaux de neurones.
Frameworks populaires : Initiation à TensorFlow et PyTorch pour implémenter et entraîner des modèles de deep learning.
4. Applications pratiques de l'IA
Cas d'utilisation réels : Reconnaissance d'images, traitement du langage naturel (NLP), chatbots, recommandations personnalisées, prévision de la demande, détection de fraudes, etc.
Éthique et IA : Les impacts de l'IA sur la société, les biais dans les modèles d'IA, et les pratiques pour une IA responsable.
5. Certification Microsoft AI-900

Contenu du cours

Introduction to Python for Machine Learning

Python Basics for Machine Learning

00:00
Working with Data in Python

00:00
Data Preprocessing with Python

00:00
Implementing Machine Learning Algorithms in Python Using Scikit-Learn

00:00
Advanced Data Manipulation

00:00

Introduction to Machine Learning

Advanced Machine Learning Algorithms

Introduction to Deep Learning

Advanced Neural Networks

Capstone Project in Machine Learning and Deep Learning

Notes et avis de l’apprenant

Encore aucun avis !

Qu’allez-vous apprendre ?

Contenu du cours

Introduction to Python for Machine Learning

Python Basics for Machine Learning

Working with Data in Python

Data Preprocessing with Python

Implementing Machine Learning Algorithms in Python Using Scikit-Learn

Advanced Data Manipulation

Introduction to Machine Learning

Fundamentals of Machine Learning

Types of Machine Learning

Data Preparation Data Cleaning Handling missing values

Introduction to Scikit-Learn

Implementing Basic Algorithms

Advanced Machine Learning Algorithms

Decision Trees and Random Forests

Support Vector Machines (SVM)

Clustering

Basic Neural Networks

Model Evaluation and Validation

Introduction to Deep Learning

Fundamentals of Deep Learning

Introduction to TensorFlow and Keras

Creating and Training Neural Networks with Keras and Building neural network models

Understanding Layers, Neurons, and Activation Functions

Model Optimization

Advanced Neural Networks

Convolutional Neural Networks (CNN)

Recurrent Neural Networks (RNN) and LSTM

Autoencoders Concept and structure

Generative Adversarial Networks (GANs)

Using Pre-trained Models and Transfer Learning

Capstone Project in Machine Learning and Deep Learning

Project Planning and Goal Setting

Data Preparation and Algorithm Selection

Model Development and Training

Model Evaluation and Optimization

Project Presentation and Final Evaluation

Notes et avis de l’apprenant

codeequest@gmail.com

Quick Links

Resources

Support