François Chung, Ph.D.

Tag: régression logistique

Apprentissage profond et TensorFlow

Apprentissage profond et TensorFlow

|

Formation Cognitive Class, MOOC (2020). Ce parcours d'apprentissage présente les concepts de base de l'apprentissage profond et de TensorFlow avec une expérience pratique basée sur la résolution de problèmes. Tout au long de la formation, TensorFlow est utilisé dans l'ajustement de courbe, la régression, la classification et la minimisation des fonctions d'erreur. Ce concept est ensuite exploré dans le monde de l'apprentissage profond où TensorFlow est appliqué pour la rétropropagation afin d'ajuster les poids et les biais.

Cours 1: Les fondamentaux de l'apprentissage profond

Sujets principaux:

  • Introduction à l'apprentissage profond;
  • Modèles d'apprentissage profond;
  • Modèles d'apprentissage profond supplémentaires;
  • Plateformes et bibliothèques d'apprentissage profond.

Cours 2: Apprentissage profond avec TensorFlow

Sujets principaux:

  • Introduction à TensorFlow;
  • CNN - Réseau de neurones convolutifs;
  • RNN - Réseau de neurones récurrents;
  • Apprentissage non supervisé.

Références

Formation

Deep learning fundamentals (Les fondamentaux de l'apprentissage profond, certificat de cours)
Deep Learning Essentials (badge de certification)
Deep learning with TensorFlow (Apprentissage profond avec TensorFlow, certificat de cours)
Deep Learning using TensorFlow (badge de certification)

Articles associés

AWS: fondations et apprentissage automatique (formation AWS)
Réseaux de neurones et apprentissage profond (formation Coursera)

En savoir plus

Cognitive Class

Spécialisation en science des données

Spécialisation en science des données

|

Formation Coursera, MOOC (2020). Cette spécialisation couvre les concepts et les outils nécessaires à la science des données, de la formulation des bonnes questions à la réalisation d'inférences et la publication des résultats. Les sujets abordés incluent l'utilisation de R pour nettoyer, analyser et visualiser les données, utiliser GitHub pour gérer des projets en science des données et effectuer une analyse de régression, des moindres carrés et des inférences à l'aide de modèles de régression.

Cours 1: Boîte à outils du data scientist

Sujets principaux:

  • Fondamentaux de la science des données;
  • R et Rstudio;
  • Contrôle de version et GitHub;
  • R Markdown, raisonnement scientifique et big data.

Cours 2: Programmation en R

Sujets principaux:

  • Contexte et mise en route;
  • Programmation avec R;
  • Fonctions de boucle et débogage;
  • Simulation et profilage de code.

Cours 3: Obtenir et nettoyer les données

Sujets principaux:

  • Recherche de données et lecture de différents types de fichiers;
  • Systèmes de stockage de données;
  • Organisation, fusion et gestion des données;
  • Manipulation de texte et de données en R.

Cours 4: Analyse exploratoire des données

Sujets principaux:

  • Graphiques analytiques et représentation graphique en R;
  • Lattice et ggplot2;
  • Réduction dimensionnelle des données;
  • Techniques d'analyse de cluster.

Cours 5: Recherche reproductible

Sujets principaux:

  • Concepts, idées et structure;
  • Markdown et knitr;
  • Check-list de la recherche reproductible;
  • Analyse de données factuelles.

Cours 6: Inférence statistique

Sujets principaux:

  • Probabilité et espérance mathématique;
  • Variabilité, distribution et asymptote;
  • Intervalles, tests et valeur-p;
  • Tests de puissance, bootstrap et permutation.

Cours 7: Modèles de régression

Sujets principaux:

  • Moindres carrés et régression linéaire;
  • Régression linéaire et multivariée;
  • Résidus et diagnostics;
  • Régression logistique et de Poisson.

Cours 8: Apprentissage automatique

Sujets principaux:

  • Prédiction, erreurs et validation croisée;
  • Paquet caret;
  • Arbres de décision et forêts aléatoires;
  • Régression régularisée et combinaison de prédicteurs.

Cours 9: Développement de produits de données

Sujets principaux:

  • Shiny, GoogleVis et Plotly;
  • R Markdown et Leaflet;
  • Paquets R et Swirl.

Références

Articles associés

Fondamentaux de Spark (formation Cognitive Class)
Fondamentaux de Hadoop (formation Cognitive Class)
AWS: fondations et apprentissage automatique (formation AWS)

En savoir plus

Coursera

AWS: fondations et apprentissage automatique

AWS: fondations et apprentissage automatique

|

Formation AWS, MOOC (2020). Ces cours en ligne offrent une compréhension globale du cloud AWS, avec un aperçu des concepts, des services, de la sécurité, de l'architecture, de la tarification et du support cloud. Des cours spécifiques destinés aux partenaires AWS enseignent les meilleures pratiques pour répondre aux priorités commerciales des clients. L'apprentissage automatique (ML) est également couvert par le programme utilisé par Amazon pour former ses développeurs et data scientists.

AWS Cloud Practitioner Essentials

Sujets principaux:

  • Services de base d’AWS;
  • Services intégrés d’AWS;
  • Architecture d’AWS;
  • Sécurité d’AWS;
  • Prix et assistance.

Solutions partenaires AWS: Fondations commerciales

Sujets principaux:

  • Développer son entreprise avec AWS;
  • Ce qui compte pour les clients d’AWS;
  • Sécurité, identité et conformité;
  • Prix et licences;
  • Migration et adoption du cloud;
  • Gestion des opportunités.

Solutions partenaires AWS: Fondations techniques

Sujets principaux:

  • Architectes de solutions AWS;
  • Concepts architecturaux d'AWS;
  • Blocs de construction;
  • Well-Architected Framework d'AWS;
  • Conception d'une solution AWS;
  • Engager les clients et concevoir des solutions.

AWS Machine Learning: Décideur

Sujets principaux:

  • Démystifier AI/ML/DL;
  • Apprentissage automatique pour les défis commerciaux;
  • Terminologie de l'apprentissage automatique;
  • Exploration de la boîte à outils ML.

AWS Machine Learning: Data scientist

Sujets principaux:

  • Math pour l'apprentissage automatique;
  • Régression linéaire et logistique;
  • Eléments de la science des données;
  • Décisions d'apprentissage automatique.

Références

Formation

AWS Business Professional (Solutions partenaires AWS: Fondations commerciales, certificat de cours)
AWS Technical Professional (Solutions partenaires AWS: Fondations techniques, certificat de cours)

Articles associés

Apprentissage profond et TensorFlow (formation Cognitive Class)
Google Cloud: big data et apprentissage automatique (formation Coursera)
Azure: fondamentaux, apprentissage automatique et Power BI (formation Microsoft Docs)
Spécialisation en science des données (formation Coursera)
Réseaux de neurones et apprentissage profond (formation Coursera)

En savoir plus

AWS Cloud Practitioner Essentials
AWS Partner Solutions (Solutions partenaires AWS)
AWS Machine Learning: Decision maker (AWS Machine Learning: Décideur)
AWS Machine Learning: Data scientist

Réseaux de neurones et apprentissage profond

Réseaux de neurones et apprentissage profond

|

Formation Coursera, MOOC (2018). Donnée en ligne par Stanford University (US), cette formation présente les fondements de l'apprentissage profond. Les principaux objectifs sont de comprendre les tendances technologiques favorisant l'apprentissage profond, de construire, d'entraîner et d'appliquer des réseaux de neurones. La formation vise à enseigner comment l'apprentissage profond fonctionne, plutôt que d’en présenter une description superficielle.

Semaine 1: Introduction à l'apprentissage profond

Sujets principaux:

  • Qu'est-ce qu'un réseau de neurones?
  • Apprentissage supervisé avec réseaux de neurones;
  • Pourquoi l'apprentissage profond décolle-t-il?

Semaine 2: Bases des réseaux de neurones

Sujets principaux:

  • Classification binaire;
  • Régression logistique;
  • Algorithme du gradient;
  • Dérivée avec un graphique de calcul;
  • Régression logistique avec vectorisation.

Semaine 3: Réseaux de neurones peu profonds

Sujets principaux:

  • Représentation du réseau de neurones;
  • Calcul de la sortie d'un réseau de neurones;
  • Vectorisation à travers plusieurs exemples;
  • Fonctions d'activation et leurs dérivées;
  • Algorithme du gradient pour réseaux de neurones;
  • Initialisation aléatoire.

Semaine 4: Réseaux de neurones profonds

Sujets principaux:

  • Réseau de neurones multicouche;
  • Propagation avant et arrière;
  • Blocs de construction des réseaux;
  • Paramètres vs hyperparamètres.

Référence

Langues

Articles récents

Catégories

Actualités

Les récentes & Les populaires

Recherche