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

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

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

Cours complet sur le Machine Learning pour maĂ®triser l’intelligence artificielle, Tensorflow, et les rĂ©seaux 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 Ă  utiliser diffĂ©rents frameworks en Python pour rĂ©soudre des problèmes du monde rĂ©el Ă  l’aide du Deep Learning et de l’intelligence artificielle
  • Apprenez les bases de la thĂ©orie du Machine Learning et du Deep Learning
  • Construire des rĂ©seaux de neurones artificiels avec Tensorflow et Keras
  • Apprenez Ă  utiliser le Machine Learning et le Deep Learning en Python
  • Faire des prĂ©dictions Ă  l’aide de la rĂ©gression linĂ©aire, de la rĂ©gression polynomiale et de la rĂ©gression multivariĂ©e

 

Requirements

  • CompĂ©tences mathĂ©matiques de base
  • DisponibilitĂ©, flexibilitĂ© et passion pour l’apprentissage
  • ExpĂ©rience avec les bases de la programmation en Python

 

Description

Python est reconnu comme l’un des meilleurs langages de programmation pour sa flexibilitĂ©. Il fonctionne dans presque tous les domaines, du dĂ©veloppement Web au dĂ©veloppement 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 Ă  apprendre Ă  crĂ©er des programmes qui acceptent la saisie de donnĂ©es et automatisent l’extraction de fonctionnalitĂ©s, simplifiant ainsi les tâches du monde rĂ©el 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 crĂ©ation de ce cours, nous avons tout filtrĂ© 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 dĂ©butants qu’aux experts. Si vous ĂŞtes Ă  la recherche d’un cours qui commence par les bases et passe aux sujets avancĂ©s, 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 Ă  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 Ă  ajouter le Machine Learning et le Deep Learning Ă  leurs compĂ©tences
  • MathĂ©maticiens professionnels dĂ©sireux d’apprendre Ă  analyser des donnĂ©es par programmation
  • Tout passionnĂ© de programmation Python souhaitant ajouter des compĂ©tences en Deep Learning Ă  son portefeuille

 

Course content

  • Introduction Ă  l’apprentissage automatique
    • Qu’est-ce que le Machine Learning ?
    • Applications du Machine Learning
    • MĂ©thodes de Machine Learning
    • Qu’est-ce que l’apprentissage supervisĂ© ?
    • Qu’est-ce que l’apprentissage non supervisĂ© ?
    • Apprentissage supervisĂ© vs apprentissage non supervisĂ©
    • Supports de Cours (Machine Learning)
  • ImplĂ©mentation 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
    • ImplĂ©mentation de Python dans Jupyter
    • Gestion des rĂ©pertoires dans Jupyter Notebook
  • RĂ©gression linĂ©aire simple
    • Introduction Ă  la rĂ©gression
    • Comment fonctionne la rĂ©gression linĂ©aire ?
    • ReprĂ©sentation de ligne
    • ImplĂ©mentation en python : Importation de bibliothèques et de jeux de donnĂ©es
    • ImplĂ©mentation en python : Distribution des donnĂ©es
    • ImplĂ©mentation en python : CrĂ©er un objet de rĂ©gression linĂ©aire
  • RĂ©gression linĂ©aire multiple
    • Comprendre la rĂ©gression linĂ©aire multiple
    • ImplĂ©mentation en python : exploration du jeu de donnĂ©es
    • ImplĂ©mentation en python : codage de donnĂ©es catĂ©gorielles
    • ImplĂ©mentation en python : fractionnement des donnĂ©es en ensembles de formation
    • ImplĂ©mentation en python : Formation du modèle sur l’ensemble d’entrainement
    • ImplĂ©mentation en python : prĂ©diction des rĂ©sultats de l’ensemble de tests
    • Évaluation des performances du modèle de rĂ©gression
    • Erreur quadratique moyenne racine en Python
  • Algorithmes de classification : K-Plus proches voisins
    • Introduction Ă  la classification
    • Algorithme K-Plus proches voisins (KNN)
    • Exemple de KNN
    • K-Nearest Neighbours (KNN) en utilisant python
    • ImplĂ©mentation en python : importation des bibliothèques requises
    • ImplĂ©mentation en python : importation du jeu de donnĂ©es
    • ImplĂ©mentation en python : fractionnement des donnĂ©es en ensembles de formation
    • ImplĂ©mentation en python : mise Ă  l’échelle des fonctionnalitĂ©s
    • ImplĂ©mentation en python : Importation du classificateur KNN
    • ImplĂ©mentation en python : PrĂ©diction des rĂ©sultats & Matrice de confusion
  • Algorithmes de classification : Arbre de dĂ©cision
    • Introduction aux arbres de dĂ©cision
    • Qu’est-ce que l’entropie ?
    • Exploration de l’ensemble de donnĂ©es
    • Arborescence des dĂ©cisions
    • ImplĂ©mentation en python : Importation de bibliothèques et de jeux de donnĂ©es
    • ImplĂ©mentation en python : codage de donnĂ©es catĂ©gorielles
    • ImplĂ©mentation en python : fractionnement des donnĂ©es en ensembles de formation
    • ImplĂ©mentation en python: prĂ©diction et prĂ©cision des rĂ©sultats
  • Algorithmes de classification : rĂ©gression logistique
    • Introduction
    • Étapes de mise en Ĺ“uvre
    • ImplĂ©mentation en python : Importation de bibliothèques et de jeux de donnĂ©es
    • ImplĂ©mentation en python : fractionnement des donnĂ©es en ensembles de formation
    • ImplĂ©mentation en python : Pre-processing
    • ImplĂ©mentation en python : Formation du modèle
    • ImplĂ©mentation en python : PrĂ©diction des rĂ©sultats & Matrice de confusion
    • RĂ©gression logistique vs RĂ©gression linĂ©aire
  • Clustering
    • Introduction au clustering
    • Cas d’utilisation
    • Algorithme de clustering K-Means
    • MĂ©thode du coude
    • Étapes de la mĂ©thode du coude
    • ImplĂ©mentation en python
    • Regroupement hiĂ©rarchique
    • Clustering basĂ© sur la densitĂ©
    • ImplĂ©mentation du clustering k-means en python
    • Importation du jeu de donnĂ©es
    • Visualisation du jeu de donnĂ©es
    • DĂ©finition du classificateur
    • Visualisation 3D des clusters
    • Visualisation 3D des valeurs prĂ©dites
    • Nombre de clusters prĂ©dits
  • Système de recommandation
    • Introduction
    • Filtrage collaboratif dans les systèmes de recommandation
    • Système de recommandation basĂ© sur le contenu
    • ImplĂ©mentation en python : Importation de bibliothèques et de jeux de donnĂ©es
    • Fusion de jeux de donnĂ©es en une seule trame de donnĂ©es
    • Tri par titre et notation
    • Histogramme indiquant le nombre d’évaluations
    • Distribution des frĂ©quences
    • Graphique combinĂ© des notations et nombre de notations
    • PrĂ©traitement des donnĂ©es
    • Tri des films les mieux notĂ©s
    • Obtenez les notes pour deux films
    • CorrĂ©lation entre les films les mieux notĂ©s
    • Tri des donnĂ©es par corrĂ©lation
    • Filtrage des films
    • Tri des valeurs
    • RĂ©pĂ©ter 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)
  • RĂ©seaux de Neurones Artificiels (RNA)
    • Introduction
    • Anatomie et fonction des neurones
    • Introduction aux rĂ©seaux de neurones
    • Architecture d’un rĂ©seau de neurones
  • Propagation de l’information dans un rĂ©seau de neurones artificiels
    • RĂ©seau de neurones Ă  propagation avant et rĂ©trograde
    • RĂ©tro-propagation
    • Minimisation de la fonction coĂ»t avec la rĂ©tropropagation
  • Types d’architecture des rĂ©seaux de neurones
    • Perceptron Ă  une couche
    • RĂ©seau Ă  base radiale
    • Perceptron Ă  plusieurs couches
    • RĂ©seau de neurones rĂ©cursif
    • Cellules LSTM (Long Short Term Memory)
    • RĂ©seau de Hopfield
    • Machine de Boltzmann
  • Fonctions d’activation
    • Qu’est ce qu’une fonction d’activation?
    • Terminologie Importante
    • Fonction sigmoĂŻde
    • Fonction tangente hyperbolique
    • Fonction softmax
    • Fonction UnitĂ© LinĂ©aire RectifiĂ©e (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
  • PrĂ©sentation sommaire des rĂ©seaux de neurones
    • Comment fonctionnent les rĂ©seaux de neurones artificiels ?
    • Avantages des rĂ©seaux de neurones artificiels
    • InconvĂ©nients des rĂ©seaux de neurones artificiels
    • Applications des rĂ©seaux de neurones artificiels
  • ImplĂ©mentation d’un RNA en Python
    • Introduction
    • Exploration de la base de donnĂ©es
    • ÉnoncĂ© du problème
    • PrĂ©traitement des donnĂ©es
    • Chargement de la base de donnĂ©es
    • SĂ©paration de la base de donnĂ©es en variables dĂ©pendantes et indĂ©pendantes
    • Codage d’Ă©tiquette avec Scikit-Learn
    • Encodage one-hot avec Scikit-Learn
    • Ensembles d’apprentissage et de test : Fractionnement des donnĂ©es
    • Le Feature Scaling
    • Construction du rĂ©seau de neurones artificiels
    • Ajout de la couche d’entrĂ©e et la première couche cachĂ©e
    • Ajout de la seconde couche cachĂ©e
    • Ajout de la couche de sortie
    • Compilation du rĂ©seau de neurones artificiels
    • Adaptation du RNA Ă  l’ensemble d’apprentissage
    • PrĂ©diction des rĂ©sultats de l’ensemble de tests
  • RĂ©seaux de neurones convolutifs (RNC)
    • Introduction
    • Composants d’un rĂ©seau de neurones convolutifs
    • Couche de convolution
    • Couche de mise en commun
    • Couche pleinement connectĂ©e
  • ImplĂ©mentation d’un RNC dans Python
    • Base de donnĂ©es
    • Import de bibliothèques python
    • Construction du modèle RNC
    • Performance du modèle

 

Time remaining or 995 enrolls left

 

Don’t miss any coupons by joining our Telegram group 

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