Free Download Formation au Deep Learning avec Python (Keras / Tensorflow)
Last updated 1/2022
Created by Alexandre Bourrieau
MP4 | Video: h264, 1280×720 | Audio: AAC, 44.1 KHz, 2 Ch
Genre: eLearning | Language: French + srt | Duration: 163 Lectures ( 19h 53m ) | Size: 10.1 GB
Théorie et pratique du Deep Learning – Machine Learning à travers des thèmes d’étude dont les séries temporelles
What you’ll learn:
Mettre en œuvre les réseaux de neurones récurrents pour analyser et faire des prédictions sur des séries temporelles
Mettre en œuvre des réseaux de neurones à convolution 2D pour faire de la reconnaissance et du traitement d’image
Mettre en œuvre des algorithmes du traitement naturel du langage pour faire de l’analyse de ressentis sur du texte en anglais et en français
Mettre en œuvre des auto-encodeurs pour détecter les anomalies comme les fraudes à la carte bancaire
Utiliser les bibliothèques Keras – Tensorflow, Numpy, Pandas
Coder un algorithme de régression logistique avec algorithme de rétropropagation du gradient pour faire de la classification
Mettre en œuvre une régression linéaire et non linéaire avec les réseaux de neurones sous Keras – Tensorflow
Utiliser un serveur de calcul d’Amazon AWS ou de Google Cloud
Requirements:
Quelques connaissances en Python
Mathématiques niveau lycée (dérivées, matrices)
Description:
Dans ce cours, vous allez découvrir et approfondir les différents aspects liés à l’apprentissage automatique avec Python. Nous utiliserons les librairies telles que Tensorflow, Keras, Pandas, Numpy, Scikit learn, …Les travaux sont accessibles et exploitables en ligne grâce à l’utilisation des carnets Jupyter avec Google Colab. Aucune installation de logiciel spécifique sur son ordinateur n’est requise car tout le travail se fait en ligne.A chaque étape d’apprentissage de ce cours, de nouveaux modèles sont introduits. Des explications claires permettent de bien les comprendre à travers 6 thèmes d’étude :Structure de base d’un réseau de neuronesReconnaissance d’image avec un réseau de neurones à convolution 2DTraitement d’image avec un réseau de neurones profond à convolution 2DSystèmes de recommandations et d’analyse des ressentisDétection d’anomalies dans les donnéesAnalyse et prédiction sur les séries temporellesLes activités en Python expliquent clairement comment les exploiter. Des exercices sont régulièrement proposés pour consolider votre apprentissage.D’une durée totale de 19,5 heures, ce cours vous permettra d’être à l’aise avec les outils actuels du Deep Learning. Vous serez alors capable d’utiliser ces ressources pour créer vos propres projets et d’approfondir avec sérénité et en autonomie vos connaissances dans ce domaine.=== Prérequis ===Vous n’avez pas besoin d’être un spécialiste du langage Python. En effet, au fur et à mesure de votre progression, vous manierez ce langage et découvrirez les subtilités liées à son utilisation.Si vous êtes complètement débutant en Deep Learning, alors ce cours est fait pour vous. Ce cours est structuré de manière progressive pour acquérir petit à petit les bases du deep learning. Chaque thème d’étude vous permettra d’améliorer vos compétences et de devenir de plus en plus autonome dans ce domaine.Si vous avez déjà une expérience en Deep Learning, vous découvrirez certainement de nouveaux thèmes d’étude qui vous permettront d’élargir vos compétences.== Aide en ligne ===Quelque soit votre niveau, je suis disponible pour vous aider dans votre progression. Il ne faut surtout pas que vous vous découragiez, en particulier si vous débutez en deep learning. En effet, comme dans tout nouvel apprentissage, vous pourrez éventuellement rencontrer des difficultés en Mathématiques ou en programmation car il est bien évident que vous avez tous un bagage différent en fonction de votre parcours (études ou professionnel).Dans ce sens, il ne faudra surtout pas hésiter à me poser vos questions et je m’engage à y répondre dans un délai raisonnable. Votre motivation est essentielle pour réussir cette formation.=== Thèmes étudiés dans la formation ===#1. Structure de base d’un réseau de neuronesLes réseaux de neurones, communément appelés des réseaux de neurones artificiels sont des imitations simples des fonctions d’un neurone dans le cerveau humain pour résoudre des problématiques d’apprentissage de la machine (Machine Learning)Les domaines d’application des réseaux neuronaux sont souvent caractérisés par une relation entrée-sortie de la donnée d’information :La reconnaissance d’imageLes classifications de textes ou d’imagesIdentification d’objetsPrédiction de donnéesFiltrage d’un set de données#2. Reconnaissance d’image avec un réseau de neurones à convolution 2DLes réseaux de neurones à convolution sont les véritables superstars des réseaux de neurones. Ces réseaux sont capables d’accomplir des tâches relativement complexes en exploitant des données de type image, son, texte, vidéo etc…#3. Traitement d’image avec un réseau de neurones profond à convolution 2DL’algorithme VDSR (Very Deep Super Resolution) est une approche de deep learning permettant d’augmenter la résolution d’une image. Le réseau est composé de 20 couches. Cet algorithme fait partie des algorithmes les plus performants de ces dernières années.#4. Systèmes de recommandations et d’analyse des ressentisGrâce à l’IA, il est désormais possible de mesurer et d’analyser les ressentis des clients, ce qui relève traditionnellement d’études qualitatives coûteuses car nécessitant une forte implication humaine. L’analyse du ressenti est une technologie de Machine Learning servant à déterminer le ton émotionnel d’une série de mots pour aider l’ordinateur à comprendre des attitudes, des opinions et des émotions présentes dans un texte.Dans ma formation, nous appliquerons cette technique d’analyse des ressentis sur des commentaires en Anglais et en Français (comme sur le site Allociné). #5. Détection d’anomalies dans les donnéesLa détection d’anomalies est un outil très utilisé en analyse de données. De façon simple, il s’agit de trouver en étudiant toutes nos données celles qui semblent suspectes. Le machine learning a permit de faire de gros progrès dans ce domaine.Dans le e-commerce, les tentatives de fraudes avec des coordonnées bancaire piratées sont courantes. Lorsqu’un incident de ce genre arrive, l’entreprise perd de l’argent et doit traiter des réclamations supplémentaires. La perte est évidente. Pour remédier à ce problème, il existe des techniques de machine learning pour la détection de fraudes.C’est l’exemple que nous étudierons, pour détecter des fraudes lors d’achats effectués au moyen d’une carte bancaire.#6. Analyse et prédiction sur les séries temporellesQuand on veut prédire ou juste analyser l’évolution d’une certaine quantité dans le temps, (le cours de la bourse par exemple) on est très vite confronté un type de données assez particulier : Les séries temporelles.L’importance des séries temporelles vient de son omniprésence. En effet, dans presque tous les domaines on les retrouve. Que ce soit en finance, en marketing, en traitement du signal, en physiques, etc…C’est pourquoi j’ai consacré une partie conséquente de ma formation au séries temporelles. En particulier, nous ferons une prédiction sur une série réelle portant sur la prévision de l’ensoleillement de la ville de Bâle à partir des données de Météo France. A cette occasion, nous mettrons en place un serveur dédié dans le Cloud d’Amazon AWS et de Google afin d’augmenter la puissance de calcul.
Who this course is for:
Toute personne intéressée par le Deep Learning – Machine Learning
Professionnels dans le domaine de l’informatique, des sciences de l’ingénieur, du numérique, du traitement des données
Homepage
www.udemy.com/course/deep-learning-keras-tensorflow/
Rapidgator
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part11.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part09.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part04.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part08.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part02.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part07.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part05.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part06.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part01.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part03.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part10.rar.html
Fikper
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part10.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part05.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part02.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part03.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part07.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part08.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part09.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part06.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part04.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part11.rar.html
dlufu.Formation.au.Deep.Learning.avec.Python.Keras..Tensorflow.part01.rar.html