Intelligence artificielle
Préparez des données, comprenez les bases mathématiques, entraînez des modèles de machine learning et découvrez les réseaux de neurones.
10 chapitres121 leçons vidéo3 h 15Niveau intermédiaire
Contenu du cours
1Fondations de l’intelligence artificielle7 leçons · 11 min
2Préparer les données17 leçons · 29 min
- 8. Types variables2 min
- 9. Créer des variables2 min
- 10. Explorer2 min
- 11. Repérer doublons et incohérences2 min
- 12. Valeurs manquantes2 min
- 13. Outliers2 min
- 14. Déséquilibre2 min
- 15. Transformer le texte en nombres2 min
- 16. Transformer une image en nombres2 min
- 17. Encodage ordinal2 min
- 18. Encodage one-hot2 min
- 19. Standardisation2 min
- 20. Normalisation Min-Max2 min
- 21. Réduction de dimension2 min
- 22. Éviter la fuite de données2 min
- 23. Séparer les données d’entraînement et de test2 min
- 24. Atelier : préparer un jeu de données2 min
3Probabilités et statistiques15 leçons · 24 min
- 25. Probabilité2 min
- 26. Echantillon2 min
- 27. Distribution1 min
- 28. Loi normale2 min
- 29. Espérance mathématique2 min
- 30. Variance et écart-type2 min
- 31. Moyenne et médiane1 min
- 32. Probabilité conditionnelle1 min
- 33. Bayes2 min
- 34. Corrélation2 min
- 35. Vraisemblance2 min
- 36. Entropie2 min
- 37. Entropie croisée2 min
- 38. Fonction softmax2 min
- 39. Atelier : raisonner avec les probabilités2 min
4Algèbre linéaire14 leçons · 23 min
- 40. Vecteur2 min
- 41. Opérations sur les vecteurs2 min
- 42. Norme d’un vecteur2 min
- 43. Mesurer une distance2 min
- 44. Produit scalaire2 min
- 45. Similarité cosinus2 min
- 46. Matrice2 min
- 47. Matrice transposée2 min
- 48. Produit matrice-vecteur2 min
- 49. Produit de matrices2 min
- 50. Dimensions des matrices2 min
- 51. Lire les dimensions d’un tenseur2 min
- 52. Tenseurs2 min
- 53. Atelier : manipuler les tenseurs2 min
5Calcul et optimisation14 leçons · 22 min
- 54. Droite1 min
- 55. Fonction1 min
- 56. Fonction de coût1 min
- 57. Erreur2 min
- 58. Minimum2 min
- 59. Dérivée2 min
- 60. Dérivée partielle2 min
- 61. Gradient2 min
- 62. Règle de la chaîne2 min
- 63. Descente de gradient2 min
- 64. Taux d’apprentissage2 min
- 65. Fonction sigmoïde2 min
- 66. Exponentielle et logarithme2 min
- 67. Atelier : minimiser une fonction de coût2 min
6Modèles de machine learning10 leçons · 16 min
7Réseaux de neurones13 leçons · 22 min
- 78. Neurone artificiel2 min
- 79. Couches de neurones2 min
- 80. Fonctions d’activation2 min
- 81. Pourquoi ajouter de la non-linéarité2 min
- 82. La couche de sortie2 min
- 83. Propagation avant2 min
- 84. Rétropropagation du gradient2 min
- 85. Gradient évanescent2 min
- 86. Convolution2 min
- 87. Embeddings : représenter le sens2 min
- 88. Mécanisme d’attention2 min
- 89. Dropout : réduire le surapprentissage2 min
- 90. Atelier : assembler un réseau de neurones2 min
8Entraîner les modèles16 leçons · 25 min
- 91. Boucle d’entraînement2 min
- 92. Époques, lots et itérations2 min
- 93. Mini-lots1 min
- 94. Initialisation des paramètres2 min
- 95. Choisir une fonction de perte2 min
- 96. Momentum et Adam2 min
- 97. Paramètres et hyperparamètres2 min
- 98. Rechercher les bons hyperparamètres2 min
- 99. Surapprentissage2 min
- 100. Sous-apprentissage2 min
- 101. Compromis biais-variance1 min
- 102. Régularisation2 min
- 103. Arrêt anticipé1 min
- 104. Validation croisée2 min
- 105. Courbes d’apprentissage1 min
- 106. Atelier : entraîner un modèle2 min
