Openskillroom

Ce que vous apprendrez ?

Concevoir et mettre en œuvre un projet d'apprentissage profond pour résoudre un problème réel, en documentant le processus et les résultats.
Décrire les concepts fondamentaux de l'apprentissage profond, incluant la rétropropagation, l'optimisation et la régularisation.
Analyser et interpréter les résultats d'un modèle d'apprentissage profond, incluant l'identification et la mitigation du surapprentissage et du sous-apprentissage.
Implémenter et entraîner au moins trois modèles d'apprentissage profond différents en utilisant un framework populaire (ex: TensorFlow, PyTorch).
Comparer et contraster différents algorithmes d'apprentissage profond (ex: CNN, RNN, GAN) en termes d'architecture et d'applications.

Prérequis

Connaissance de base en algèbre linéaire (vecteurs, matrices, opérations matricielles). Connaissance de base en calcul différentiel et intégral (dérivées, intégrales, gradients). Connaissance de base en probabilités et statistiques (distributions de probabilité, espérance, variance). Familiarité avec la programmation Python. Connaissance des structures de données de base en Python (listes, dictionnaires, tableaux NumPy). Compréhension des concepts de base de l'apprentissage automatique (apprentissage supervisé, non supervisé). Capacité à travailler de manière autonome et en équipe. Aptitude à résoudre des problèmes et à la pensée critique. Motivation pour apprendre et explorer de nouveaux concepts. Accès à un ordinateur avec une puissance de calcul raisonnable (pour les travaux pratiques). Familiarité avec un environnement de développement Python (ex: Jupyter Notebook, VS Code). Connaissance de base des librairies Python pour la data science (ex: Pandas, Scikit-learn - un plus).

Contenu de la Formation

Total: 24 Chapitres Total hours: 12

Introduction au Deep Learning
Réseaux de neurones artificiels
Propagation avant et arrière
Fonction de coût et optimisation

Descent de gradient et variantes
Régularisation et overfitting
Validation croisée
Optimisation des hyperparamètres

Réseaux de neurones convolutifs (CNN)
Applications des CNN (vision par ordinateur)
Architectures CNN populaires
Transfer learning avec les CNN

Réseaux de neurones récurrents (RNN)
LSTM et GRU
Applications des RNN (traitement du langage naturel)
Séquence-à-séquence

Autoencodeurs
Réseaux antagonistes génératifs (GAN)
Applications des GAN (génération d'images)
Variational Autoencoders (VAE)

Deep Reinforcement Learning
Q-learning
Deep Q-Networks (DQN)
Applications du Deep Reinforcement Learning

À TÉLÉCHARGER

À propos de l'instructeur

0 Instructor Avis
3 Avis
53 Cours
Voir tous les cours.

Ahmed Zellou

ahmed.zellou@openskillroom.com

Ahmed Zellou Received his Ph.D. degree in Applied Sciences at the Mohammedia School of Engineers, Mohammed V University, Rabat, Morocco and ENSIMAG, Grenoble, France in 2008. He is currently a part-time Professor at Mohammed VI Polytechnic University and full Professor at ENSIAS, Mohamed V University in Rabat, Morocco. His research interests include parallel computing, Data quality, recommender system, indexation, and integration system, where he is the author/co-author of more than a hundred Scopus indexed publications. SKILLS DOMAINS • Data integration systems, complex information systems, Datawarehouse, and Web Semantic. • Modeling: Merise, UML1&2, BPMN. • Procedural and Object-oriented programming: Python, JAVA, C++, PHP. • Web development: HTML, CSS, JS and PHP. • Web Technologies: HTML, XML, PHP, Web Frameworks (Symfony, Laravel, CakePHP, CodeIgniter, Yii and Zend). • Databases, MYSQL, Postgress, Mongodb, ... Publications: ResearchGate : https://www.researchgate.net/profile/Zellou_Ahmed Scopus : https://www.scopus.com/authid/detail.uri?authorId=55644907000 Google Scholar : https://scholar.google.fr/citations?hl=fr&user=CjkVg9UAAAAJ

Voir plus Voir Moins