Intelligence artificielle et apprentissage automatique
( 25 Modules )
module #1 Introduction à l'intelligence artificielle Vue d'ensemble de l'IA, de son histoire et de ses applications
module #2 Principes fondamentaux de l'apprentissage automatique Introduction à l'apprentissage automatique, aux types et à l'apprentissage supervisé/non supervisé
module #3 Mathématiques et statistiques pour le ML Algèbre linéaire, calcul, probabilités et statistiques pour l'apprentissage automatique
module #4 Python pour l'apprentissage automatique Introduction à Python, NumPy, Pandas et à la manipulation de données
module #5 Prétraitement des données Nettoyage des données, mise à l'échelle des fonctionnalités et sélection des fonctionnalités
module #6 Apprentissage supervisé Métriques de régression, de classification et d'évaluation des modèles
module #7 Régression linéaire Régression linéaire simple et multiple, fonction de coût et descente de gradient
module #8 Régression logistique Classification binaire, fonction logistique et limites de décision
module #9 Arbres de décision Introduction aux arbres de décision, à l'entropie et au gain d'informations
module #10 Aléatoire Forêts Apprentissage d'ensemble, ensachage et forêts aléatoires
module #11 Machines à vecteurs de support Classification à marge maximale, marge souple et astuce du noyau
module #12 Apprentissage non supervisé Clustering, réduction de la dimensionnalité et détection d'anomalies
module #13 Clustering K-Means Algorithme K-means, initialisation du centroïde et convergence
module #14 Analyse en composantes principales ACP, extraction de caractéristiques et réduction de la dimensionnalité
module #15 Fondamentaux de l'apprentissage profond Introduction aux réseaux de neurones, au perceptron et au perceptron multicouche
module #16 Réseaux de neurones convolutifs CNN, couches convolutives et classification d'images
module #17 Réseaux de neurones récurrents RNN, LSTM et modélisation de séquences
module #18 Traitement du langage naturel Prétraitement de texte, tokenisation et intégration de mots
module #19 Apprentissage par transfert Modèles pré-entraînés
module #20 Évaluation et sélection de modèles Sélection de modèles, réglage des hyperparamètres et validation croisée
module #21 Gestion des ensembles de données déséquilibrés Techniques de déséquilibre de classe, de suréchantillonnage et de sous-échantillonnage
module #22 Déploiement de modèles Déploiement de modèles, intégration d'API et conteneurisation Docker
module #23 Éthique et équité de l'IA Détection de biais, mesures d'équité et considérations éthiques
module #24 Sujets spéciaux en IA Modèles génératifs, mécanismes d'attention et IA explicable
module #25 Bilan et conclusion du cours Planifier les prochaines étapes de votre carrière en intelligence artificielle et en apprentissage automatique
