Ce module couvre les concepts fondamentaux des réseaux de neurones, propose des projets pratiques comme la classification d’images et le traitement du langage naturel, et explore des techniques avancées telles que les réseaux convolutionnels (CNNs) et récurrents (RNNs).
Il inclut des exemples de code et des études de cas pour illustrer l’application des techniques de deep learning, le rendant accessible aux débutants tout en étant utile pour les praticiens et les chercheurs.
Course Content
INTRODUCTION
CHAPITRE 01- QU' EST-CE QUE LE DEEP LEARNING?
CHAPITRE 02- LES BLOCS DE CONSTRUCTION MATHEMATIQUES DES RESEAUX DE NEURONES
CHAPITRE 03 - INTRODUCTION A KERAS ET TENSORFLOW
CHAPITRE 04 - DEMARRAGE AVEC LES RESEAUX : CLASSIFICATION ET REGRESSION
CHAPITRE 05 - LES FONDAMENTAUX DU MACHINE LEARNING
CHAPITRE 06 - LE FLUX DE TRAVAIL UNIVERSEL DU MACHINE LEARNING
CHAPITRE 07 - TRAVAILLER AVEC KERAS : UNE EXPLORATION APPROFONDIE
CHAPITRE 08 - INTRODUCTION AU DEEP LEARNING POUR LA VISION PAR ORDINATEUR (COMPUTER VISION)
CHAPITRE 09 - DEEP LEARNING AVANCE POUR LA VISION PAR ORDINATEUR
CHAPITRE 10 - DEEP LEARNING POUR LES SERIES TEMPORELLES
CHAPITRE 11 - DEEP LEARNING POUR LE TEXTE
CHAPITRE 12 - DEEP LEARNING GENERATIF
CHAPITRE 13 - MEILLEURES PRATIQUES POUR LE MONDE REEL
CHAPITRE 14 - CONCLUSIONS
