Python pour le Deep Learning & le Machine Learning: A à Z

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

Language: french

Note: 4.5/5 (149 notes) 13,820 students

Instructor(s): Clara Donnart

Last update: 2022-08-18

What you’ll learn

• Apprenez à utiliser différents frameworks en Python pour résoudre des problèmes du monde réel à l’aide du Deep Learning et de l’intelligence artificielle
• Apprenez les bases de la théorie du Machine Learning et du Deep Learning
• Construire des réseaux de neurones artificiels avec Tensorflow et Keras
• Apprenez à utiliser le Machine Learning et le Deep Learning en Python
• Faire des prédictions à l’aide de la régression linéaire, de la régression polynomiale et de la régression multivariée

Requirements

• Compétences mathématiques de base
• Disponibilité, flexibilité et passion pour l’apprentissage
• Expérience avec les bases de la programmation en Python

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.

Who this course is for

• Programmeurs qui cherchent à ajouter le Machine Learning et le Deep Learning à leurs compétences
• Mathématiciens professionnels désireux d’apprendre à analyser des données par programmation
• Tout passionné de programmation Python souhaitant ajouter des compétences en Deep Learning à son portefeuille

Course content

• Introduction à l’apprentissage automatique
  • Qu’est-ce que le Machine Learning ?
  • Applications du Machine Learning
  • Méthodes de Machine Learning
  • Qu’est-ce que l’apprentissage supervisé ?
  • Qu’est-ce que l’apprentissage non supervisé ?
  • Apprentissage supervisé vs apprentissage non supervisé
  • Supports de Cours (Machine Learning)
• Implémentation d’algorithmes ML en Python
  • Introduction
  • Bibliothèques Python pour le Machine Learning
  • Configuration de Python
  • Qu’est-ce que Jupyter ?
  • Installation d’Anaconda Windows Mac et Ubuntu
  • Implémentation de Python dans Jupyter
  • Gestion des répertoires dans Jupyter Notebook
• Régression linéaire simple
  • Introduction à la régression
  • Comment fonctionne la régression linéaire ?
  • Représentation de ligne
  • Implémentation en python : Importation de bibliothèques et de jeux de données
  • Implémentation en python : Distribution des données
  • Implémentation en python : Créer un objet de régression linéaire
• Régression linéaire multiple
  • Comprendre la régression linéaire multiple
  • Implémentation en python : exploration du jeu de données
  • Implémentation en python : codage de données catégorielles
  • Implémentation en python : fractionnement des données en ensembles de formation
  • Implémentation en python : Formation du modèle sur l’ensemble d’entrainement
  • Implémentation en python : prédiction des résultats de l’ensemble de tests
  • Évaluation des performances du modèle de régression
  • Erreur quadratique moyenne racine en Python
• Algorithmes de classification : K-Plus proches voisins
  • Introduction à la classification
  • Algorithme K-Plus proches voisins (KNN)
  • Exemple de KNN
  • K-Nearest Neighbours (KNN) en utilisant python
  • Implémentation en python : importation des bibliothèques requises
  • Implémentation en python : importation du jeu de données
  • Implémentation en python : fractionnement des données en ensembles de formation
  • Implémentation en python : mise à l’échelle des fonctionnalités
  • Implémentation en python : Importation du classificateur KNN
  • Implémentation en python : Prédiction des résultats & Matrice de confusion
• Algorithmes de classification : Arbre de décision
  • Introduction aux arbres de décision
  • Qu’est-ce que l’entropie ?
  • Exploration de l’ensemble de données
  • Arborescence des décisions
  • Implémentation en python : Importation de bibliothèques et de jeux de données
  • Implémentation en python : codage de données catégorielles
  • Implémentation en python : fractionnement des données en ensembles de formation
  • Implémentation en python: prédiction et précision des résultats
• Algorithmes de classification : régression logistique
  • Introduction
  • Étapes de mise en œuvre
  • Implémentation en python : Importation de bibliothèques et de jeux de données
  • Implémentation en python : fractionnement des données en ensembles de formation
  • Implémentation en python : Pre-processing
  • Implémentation en python : Formation du modèle
  • Implémentation en python : Prédiction des résultats & Matrice de confusion
  • Régression logistique vs Régression linéaire
• Clustering
  • Introduction au clustering
  • Cas d’utilisation
  • Algorithme de clustering K-Means
  • Méthode du coude
  • Étapes de la méthode du coude
  • Implémentation en python
  • Regroupement hiérarchique
  • Clustering basé sur la densité
  • Implémentation du clustering k-means en python
  • Importation du jeu de données
  • Visualisation du jeu de données
  • Définition du classificateur
  • Visualisation 3D des clusters
  • Visualisation 3D des valeurs prédites
  • Nombre de clusters prédits
• Système de recommandation
  • Introduction
  • Filtrage collaboratif dans les systèmes de recommandation
  • Système de recommandation basé sur le contenu
  • Implémentation en python : Importation de bibliothèques et de jeux de données
  • Fusion de jeux de données en une seule trame de données
  • Tri par titre et notation
  • Histogramme indiquant le nombre d’évaluations
  • Distribution des fréquences
  • Graphique combiné des notations et nombre de notations
  • Prétraitement des données
  • Tri des films les mieux notés
  • Obtenez les notes pour deux films
  • Corrélation entre les films les mieux notés
  • Tri des données par corrélation
  • Filtrage des films
  • Tri des valeurs
  • Répéter le processus pour un autre film
• Conclusion (Machine Learning)
  • Conclusion
• Introduction au Deep Learning
  • Qu’est-ce que le Deep Learning?
  • Pourquoi le Deep Learning est-il important?
  • Logiciels et plateformes
  • Supports de Cours (Deep Learning)
• 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

Google UX Design [Coursera with Google]

Time remaining or 995 enrolls left

Udemy Coupon Code 100% off | Udemy Free Course | Udemy offer | Course with certificate