Apprentissage automatique

Maîtrisez les bases de Python dans ce cours pratique conçu pour les débutants. Apprenez des concepts essentiels tels que les types de données, les structures de contrôle, les fonctions, les modules et les structures de données grâce à des laboratoires interactifs et des défis pratiques. Parfait pour ceux qui commencent leur parcours de programmation en Python.

Apprentissage supervisé. Si vous entendez ou lisez ce terme pour la première fois, il peut être complètement obscur de ce qu'il signifie. Ne vous inquiétez pas. Dans ce laboratoire, vous aurez une compréhension complète de l'apprentissage supervisé ; et, dans le prochain chapitre de l'expérience, vous apprendrez à utiliser l'apprentissage supervisé pour effectuer des prédictions de données.

Au cours de cette formation, nous continuerons à découvrir une autre application importante de l'apprentissage supervisé - la résolution de problèmes de classification. Dans les leçons suivantes, vous aurez l'occasion d'étudier : la régression logistique, l'algorithme des k plus proches voisins, le classifieur naïf bayésien, la machine à vecteurs de support, le perceptron et le réseau neuronal artificiel, l'arbre de décision et la forêt aléatoire, ainsi que les méthodes de bagging et de boosting. Le cours commencera par le principe de chacune de ces méthodes. Vous devriez bien comprendre la mise en œuvre

Dans ce cours, vous comprendrez pleinement l'apprentissage non supervisé et apprendrez à utiliser l'apprentissage non supervisé pour effectuer la classification des données.

Dans ce cours, vous apprendrez les concepts de base de l'apprentissage profond, y compris les principes fondamentaux des réseaux de neurones, les principes de base de TensorFlow, Keras et PyTorch, ainsi que les principes de base de la régression linéaire, de la régression logistique et des réseaux de neurones multicouches. Vous apprendrez également à utiliser TensorFlow, Keras et PyTorch pour construire un modèle de régression linéaire, un modèle de régression logistique et un modèle de réseau de neurones multicouche.

Dans ce cours, nous apprendrons à utiliser scikit-learn pour construire des modèles prédictifs à partir de données. Nous explorerons les concepts de base de l'apprentissage automatique et verrons comment utiliser scikit-learn pour résoudre des problèmes d'apprentissage supervisé et non supervisé. Nous apprendrons également à évaluer les modèles, à ajuster les paramètres et à éviter les pièges courants. Nous travaillerons sur des exemples de problèmes d'apprentissage automatique en utilisant des ensembles de données du monde réel.

Dans ce cours, vous apprendrez les concepts de base et la syntaxe de TensorFlow 2, ainsi que la manière d'utiliser TensorFlow 2 pour implémenter des algorithmes d'apprentissage profond.

Dans ce cours, vous apprendrez les bases d'OpenCV. Vous apprendrez à lire, écrire et afficher des images et des vidéos. Vous apprendrez également à dessiner différentes formes sur les images et les vidéos.

Ce cours contient de nombreux laboratoires d'apprentissage automatique. Chaque laboratoire est un petit projet d'apprentissage automatique avec des instructions détaillées et des solutions. Vous pouvez pratiquer vos compétences en apprentissage automatique en complétant ces laboratoires, améliorer vos compétences en programmation et apprendre à écrire un code propre et efficace.

Ce cours contient de nombreux défis en apprentissage automatique. Chaque défi est un petit projet d'apprentissage automatique avec des instructions détaillées et des solutions. Vous pouvez pratiquer vos compétences en apprentissage automatique en résolvant ces défis, améliorer vos capacités à résoudre des problèmes et apprendre à écrire un code propre et efficace.