Dans ce module, nous allons nous plonger dans les bases de l'apprentissage automatique. Vous commencerez par une introduction à l'intelligence artificielle (IA) et à ses concepts fondamentaux. Le module explorera ensuite les éléments essentiels de l'apprentissage automatique et fournira un aperçu des différents modèles d'apprentissage automatique, jetant les bases de sujets plus avancés.

Dans ce module, nous allons explorer les concepts fondamentaux du Deep learning. Vous aurez un aperçu des modèles d'apprentissage profond, de leur évaluation des performances et de l'évolution des perceptrons vers les réseaux neurones. Le module couvre également divers types de couches de réseaux neurones, de fonctions d'activation, de fonctions de perte et de techniques d'optimisation, offrant une compréhension robuste des cadres d'apprentissage profond.

Dans ce module, nous nous concentrerons sur l'évaluation des modèles d'apprentissage automatique. Vous apprendrez ce que sont l'underfitting et l'overfitting, et comment atténuer ces problèmes. Le module couvrira également la méthode de fractionnement train-test et son importance dans l'évaluation des modèles, ainsi que diverses techniques de rééchantillonnage pour gérer efficacement les ensembles de données déséquilibrés.

Dans ce module, nous vous guiderons tout au long du processus de construction d'un réseau neurones à partir de zéro. Vous commencerez par la préparation des données et l'initialisation du modèle, puis vous procéderez à la mise en œuvre des fonctions essentielles telles que la propagation vers l'avant et vers l'arrière. Le module couvre également les techniques de formation et d'évaluation pour vous aider à construire et à évaluer efficacement votre modèle de réseau neuronal.

Dans ce module, nous allons explorer le concept de tenseurs et leur signification dans PyTorch. Vous apprendrez la relation entre les tenseurs et les graphes de calcul et vous acquerrez une expérience pratique des opérations sur les tenseurs à travers des exercices de codage. Ce module vise à vous doter des compétences nécessaires pour appliquer les tenseurs dans des scénarios d'apprentissage automatique du monde réel.

Dans ce module, nous allons vous présenter la modélisation en PyTorch. Vous apprendrez à construire et à entraîner des modèles à partir de zéro, y compris la régression linéaire. Le module couvre le traitement par lots, les ensembles de données et les dataloaders pour gérer efficacement les données. Vous explorerez également les techniques d'enregistrement, de chargement et d'optimisation des modèles, y compris le réglage des hyperparamètres, afin d'améliorer votre flux de travail d'apprentissage automatique.