Deep Learning Avec Python: La Formation Complète
Publication : 6/2022
MP4 | Video: h264, 1280x720 | Audio: AAC, 44.1 KHz
Language: Français | Size: 640.72 MB | Duration: 1h 57m

Cours complet sur le Deep Learning pour maîtriser l'intelligence artificielle, Tensorflow, et les réseaux de neurones
What you'll learn
Apprenez les bases de la théorie du Deep Learning
Apprenez à utiliser différents frameworks en Python pour résoudre des problèmes du monde réel à l'aide du Deep Learning et de l'intelligence art
Construire des réseaux de neurones artificiels avec Tensorflow et Keras
Apprenez à utiliser le Deep Learning en Python
Faire des prédictions à l'aide de la régression linéaire, de la régression polynomiale et de la régression multivariée
Requirements
Expérience avec les bases du codage en Python
Compétences mathématiques de base
Disponibilité, flexibilité et passion pour l'apprentissage
Description
Python est reconnu comme l'un des meilleurs langages de programmation pour sa flexibilité. Il fonctionne dans presque tous les domaines, du développement Web au développement d'applications financières. Cependant, ce n'est un secret pour personne que la meilleure application de Python est dans les tâches d'apprentissage en profondeur et d'intelligence artificielle.Bien que Python facilite l'utilisation 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 à apprendre à créer des programmes qui acceptent la saisie de données et automatisent l'extraction de fonctionnalités, simplifiant ainsi les tâches du monde réel 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 création de ce cours, nous avons tout filtré 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 débutants qu'aux experts. Si vous êtes à la recherche d'un cours qui commence par les bases et passe aux sujets avancés, c'est le meilleur cours pour vous.Il enseigne uniquement ce dont vous avez besoin pour vous lancer dans l'apprentissage en profondeur sans fioritures. Bien que cela aide à garder le cours assez concis, il s'agit de tout ce dont vous avez besoin pour commencer avec le sujet.
Overview
Section 1: Introduction au Deep Learning
Lecture 1 Qu'est-ce que le Deep Learning?
Lecture 2 Pourquoi le Deep Learning est-il important?
Lecture 3 Logiciels et plateformes
Section 2: Réseaux de Neurones Artificiels (RNA)
Lecture 4 Introduction
Lecture 5 Anatomie et fonction des neurones
Lecture 6 Introduction aux réseaux de neurones
Lecture 7 Architecture d'un réseau de neurones
Section 3: Propagation de l'information dans un réseau de neurones artificiels
Lecture 8 Réseau de neurones à propagation avant et rétrograde
Lecture 9 Rétro-propagation
Lecture 10 Minimisation de la fonction coût avec la rétropropagation
Section 4: Types d'architecture des réseaux de neurones
Lecture 11 Perceptron à une couche
Lecture 12 Réseau à base radiale
Lecture 13 Perceptron à plusieurs couches
Lecture 14 Réseau de neurones récursif
Lecture 15 Cellules LSTM (Long Short Term Memory)
Lecture 16 Réseau de Hopfield
Lecture 17 Machine de Boltzmann
Section 5: Fonctions d'activation
Lecture 18 Qu'est ce qu'une fonction d'activation?
Lecture 19 Terminologie Importante
Lecture 20 Fonction sigmoïde
Lecture 21 Fonction tangente hyperbolique
Lecture 22 Fonction softmax
Lecture 23 Fonction Unité Linéaire Rectifiée (ou ReLU)
Lecture 24 Fonction d'activation Leaky ReLU
Section 6: Algorithme du gradient (gradient descent) avec Python
Lecture 25 Qu'est-ce que la Descente de Gradient ?
Lecture 26 Qu'est-ce que la Descente de Gradient Stochastique ?
Lecture 27 Descente de Gradient vs Descente de Gradient Stochastique
Section 7: Présentation sommaire des réseaux de neurones
Lecture 28 Comment fonctionnent les réseaux de neurones artificiels ?
Lecture 29 Avantages des réseaux de neurones artificiels
Lecture 30 Inconvénients des réseaux de neurones artificiels
Lecture 31 Applications des réseaux de neurones artificiels
Section 8: Implémentation d'un RNA en Python
Lecture 32 Introduction
Lecture 33 Exploration de la base de données
Lecture 34 Énoncé du problème
Lecture 35 Prétraitement des données
Lecture 36 Chargement de la base de données
Lecture 37 Séparation de la base de données en variables dépendantes et indépendantes
Lecture 38 Codage d'étiquette avec Scikit-Learn
Lecture 39 Encodage one-hot avec Scikit-Learn
Lecture 40 Ensembles d'apprentissage et de test : Fractionnement des données
Lecture 41 Le Feature Scaling
Lecture 42 Construction du réseau de neurones artificiels
Lecture 43 Ajout de la couche d'entrée et la première couche cachée
Lecture 44 Ajout de la seconde couche cachée
Lecture 45 Ajout de la couche de sortie
Lecture 46 Compilation du réseau de neurones artificiels
Lecture 47 Adaptation du RNA à l'ensemble d'apprentissage
Lecture 48 Prédiction des résultats de l'ensemble de tests
Section 9: Réseaux de neurones convolutifs (RNC)
Lecture 49 Introduction
Lecture 50 Composants d'un réseau de neurones convolutifs
Lecture 51 Couche de convolution
Lecture 52 Couche de mise en commun
Lecture 53 Couche pleinement connectée
Section 10: Implémentation d'un RNC dans Python
Lecture 54 Base de données
Lecture 55 Import de bibliothèques python
Lecture 56 Construction du modèle RNC
Lecture 57 Performance du modèle
Programmeurs qui cherchent à ajouter le Deep Learning à leurs compétences,Mathématiciens professionnels désireux d'apprendre à analyser des données par programmation,Tout passionné de programmation Python souhaitant ajouter des compétences en Deep Learning à son portefeuille
Screenshots