Académique Documents
Professionnel Documents
Culture Documents
MODULE1 : INTRODUCTION 2h
Objectifs pédagogiques :
Introduction à l'IA
Qu'est-ce que l'IA
Applications AI
Langage de programmation pour l'IA
Introduction à l'apprentissage automatique(Machine Learning)
Besoin d'apprentissage automatique
Types d'apprentissage automatique
Apprentissage supervisé
Apprentissage non supervisé
Votre premier ML(Machine Learning)
Introduction au Deep Learning
Qu'est-ce que le Deep Learning
Objectifs pédagogiques :
Acquérir des compétences appliquées relatives à l’analyse de données aussi bien quantitatives que qualitatives.
Résumer l’information pertinente présente dans un fichier de données et en extraire celle utile à la
prise de décision. Partie 1 : Data Analyst
Découvrir les principales méthodes exploratoires d'analyse des données (ACP, AFC, Classification)
Mettre en évidence les liaisons entre paramètres, les similitudes et différences entre observations.
Interpréter les résultats numériques et graphiques, Éviter les pièges, savoir résumer l'information
obtenue et communiquer les résultats importants
Numpy
Pandas
Analyse de donné avec python
Nettoyage de donnée (Data cleaning )
Objectifs-Pédagogiques :
1.
Soyez autonome dans la mise en place des modèles prédictifs d’apprentissage automatique (Machine
learning). Ceci est bien construit, le moment où on formule
notre algorithme de machine learning (ML) l’évaluer et le valider.
2.
La manipulation des données d’apprentissages, test et validation.
3.
Evaluation la qualité des prédictions et validation
4.
Etre capable de réaliser une prédiction basée sur machine learning à partir de jeux de données
Partie 1:
Objectifs-Pédagogiques :
Partie 1 :
Mise en place du Framework et librairies Python et Connection aux serveurs
Révision de quelques notions basiques d’algèbre linéaire.
Partie 2 :
Perceptron simple et multicouche (MLP)
Algorithme de la descente de la Gradient
La rétro-propagation de l’erreur
Apprentissage-Test-Validation
Sous/Sur Apprentissage
Cas Pratique : Analyse sentimentale à partir des documents textuels.
Introduction à la bibliothèque NLTK pour le traitement textuelle (NLP) b-tokenisation et appurement
d’un texte.
Construction d’un réseau de neurone multicouches pour la prédiction des textes de types corpus news
Evaluation des performances du modèle.
Partie 3 :
Modélisation une problématique prédictive de classement ou de régression
Fonctionnalité des noyaux de convolutions
Les couches de pooling
Le Dropout
Cas Pratique : Reconnaissance des objets à partir d’un ensemble des images aMorphologie des images
Pixellisation et filtres
Découverte de l’API Tensorflow
Construction d’un réseau avec des couches de convolutions et pooling sur Tensoflow et Keras
Reconnaissance des objets avec le modèle f-Tunage et évaluation Application ; La classification d’image avec
le deep learning