Comprendre les concepts de base en apprentissage profond

Regarder la vidéo de présentation du cours

Le cours commence le 05 mai 2019

  • 4 semaines de cours

  • Une classe virtuelle à la fin de chaque semaine

  • Un projet final

  • Un appel conférence deux semaines après la fin du cours

  • Ce que vous allez expérimenter

    Apprendre par la pratique, développer votre intuition et comprendre les concepts de base.

  • Notre objectif

    créer un expérience d’apprentissage

En résumé

  • Un survol de l’apprentissage automatique (machine learning)

  • Introduction aux réseaux de neurones profonds

  • Aperçu des applications en vision par ordinateur (computer vision)

  • Aperçu des applications en Texte et séquences

  • Apprentissage par transfert, un aperçu

  • Exemples pratiques utilisant Keras et Google Colab

  • Exercices de simulation avec Tensorflow Playground

  • Quatre classes virtuelles et un appel conférence de suivi

  • Un projet final

Libérer le potentiel de l’IA pour votre carrière et votre organisation.

Une approche basée sur la pratique

Tout au long du cours, vous apprendrez les concepts de base de l’apprentissage profond afin de développer votre intuition, de saisir le potentiel de l’IA dans votre travail et de commencer à développer des modèles en apprentissage profond.

Vous participerez à 5 travaux pratiques de création de modèles avancés.

Vous apprendrez les principaux concepts de l’apprentissage automatique et profond, tels que : l’architecture d’un réseau de neurones, l’optimisation et la régularisation.

Vous aurez un aperçu de trois domaines de l’apprentissage profond :

  • La vision par ordinateur (computer vision)
  • Le texte et séquences.
  • L’apprentissage par transfert (transfer learning)

Vous apprendrez les bases de Keras, la bibliothèque open source.

Vous pourrez tester et mettre en pratique toutes ces compétences au travers :

  • Des quiz
  • Des exercices pratiques avec Keras, Google Colab et TensorFlow Playground
  • Un projet final 

Le but ultime du cours est de libérer le potentiel de l’IA pour votre carrière et votre organisation.

Plan du cours

  • 1
    Bienvenue au cours!
    • Un message de votre instructeur
    • Avant que nous commencions...
    • Programme du cours
    • Apprendre comment apprendre
  • 2
    Commençons!
  • 3
    Le cadre du cours
    • Ce que ce chapitre va couvrir APERÇU GRATUIT
    • IA, Apprentissage automatique, Apprentissage profond
    • Pourquoi maintenant?
    • Apprentissage profond et Valeur économique
    • L'apprentissage supervisé (Supervised learning)
    • L’importance des données
    • Pourquoi Keras
    • Quiz
    • Sommaire du chapitre et ce qu'il faut retenir
    • Lecture optionnelle
  • 4
    Un premier exemple: Classification d'images
    • Ce que ce chapitre va couvrir APERÇU GRATUIT
    • Un survol de Google Colab
    • Un premier cas pratique en Keras: classification d’images
    • Quiz
    • Sommaire du chapitre et ce qu'il faut retenir
    • C'est à vous: se familiariser avec Keras et Google Colab
    • Lecture optionnelle
  • 5
    Apprentissage automatique (Machine Learning), un survol
    • Ce que ce chapitre va couvrir APERÇU GRATUIT
    • Modèle de classification: la base
    • Évaluation de modèle de classification
    • Biais vs Variance
    • Un exemple de surapprentissage (overfitting)
    • Quiz: Apprentissage automatique
    • Sommaire du chapitre et ce qu'il faut retenir
    • C'est à vous: Développer un modèle de classification en Python
  • 6
    Classe virtuelle - Semaine 1
    • Classe Virtuelle - Semaine 1 (live)
    • Option additionnelle pour joindre la classe
    • Enregistrement de la classe virtuelle - Semaine 1
  • 7
    Les bases de l’apprentissage profond (Deep Learning)
    • Ce que ce chapitre va couvrir APERÇU GRATUIT
    • Définition: le “profond” dans apprentissage profond
    • Comprendre le réseau de neurones (profond) en graphique
    • Couche d’entrée (Input Layer)
    • Couche de sortie (Output Layer)
    • Couches cachées (Hidden layers)
    • Le réseau de neurone le plus simple
    • Fonctions d'activation
    • Pourquoi a-t-on besoin de fonctions d'activation
    • Quiz: Réseau de neurones
    • Sommaire du chapitre et ce qu'il faut retenir
    • C'est à vous: Développer votre intuition des réseaux de neurones
  • 8
    L'engin du réseau de neurones (profond): Optimisation
  • 9
    Amélioration du réseau de neurones profond
    • Ce que ce chapitre va couvrir APERÇU GRATUIT
    • Taux d'apprentissage (Learning Rate)
    • Régularisation
    • Régularisation: exemple avec Keras
    • Régularisation par abandon (Dropout)
    • Dropout: exemple avec Keras
    • Hyperparamètres
    • Keras workflow
    • Quiz: Régularisation et hyperparamètre
    • Sommaire du chapitre et ce qu'il faut retenir
    • C'est à vous: Développer votre intuition de la Régularisation
  • 10
    Classe virtuelle - Semaine 2
    • Classe Virtuelle - Semaine 2 (live)
    • Option additionnelle pour joindre la classe
    • Enregistrement de la classe virtuelle - Semaine 2
  • 11
    Apprentissage profond: vision par ordinateur (Computer Vision), un aperçu
    • Ce que ce chapitre va couvrir APERÇU GRATUIT
    • Quelques applications
    • Pourquoi a-t-on besoin d'un Convolutional Network (ConvNet)
    • Architecture d'un ConvNet
    • Un exemple de ConvNet avec Keras
    • La fonction de convolution
    • Pooling
    • Retour sur l'exemple en Keras
    • La compétition ImageNet
    • Modèles pré-entraînés dans Keras
    • Quiz: ConvNet
    • Sommaire du chapitre et ce qu'il faut retenir
    • Projet
    • C'est à vous: Classification d'images en Keras
    • Lectures optionnelles
  • 12
    Apprentissage profond: Texte et Séquences, un aperçu
    • Ce que ce chapitre va couvrir APERÇU GRATUIT
    • Quelques applications
    • Un exemple avec Keras: Analyse des sentiments
    • Pourquoi un modèle récurrent
    • Travailler avec du texte
    • Différents types de RNN
    • Quiz: Texte et Séquences
    • Dépendance à long-terme
    • Retour sur l'exemple d'analyse des sentiments
    • Sommaire du chapitre et ce qu'il faut retenir
    • C'est à vous: Pratiquer le RNN
    • Lectures optionnelles
  • 13
    Apprentissage par transfert (Transfer Learning), un aperçu
    • Ce que ce chapitre va couvrir APERÇU GRATUIT
    • Pourquoi faire de l'apprentissage par transfert
    • Comment ça marche
    • L'apprentissage par transfert en vision par ordinateur
    • Un exemple avec Keras
    • Quiz: Apprentissage par transfert
    • Sommaire du chapitre et ce qu'il faut retenir
    • Projet
    • C'est à vous: Améliorer le modèle précédent
  • 14
    Classe virtuelle - Semaine 3
    • Classe Virtuelle - Semaine 3 (live)
    • Option additionnelle pour joindre la classe
    • Enregistrement de la classe virtuelle - Semaine 3
  • 15
    Projet final
    • Choix de projet
  • 16
    Classe virtuelle - Semaine 4
    • Classe Virtuelle - Semaine 4 (live)
    • Option additionnelle pour joindre la classe
    • Enregistrement de la classe virtuelle - Semaine 4
  • 17
    Prochaines étapes...
    • Félicitations! Voici la suite ...
    • Ressources additionnelles
    • Aidez-nous à améliorer votre expérience d’apprentissage
  • 18
    Appel-conférence de suivi
    • Appel-Conférence de suivi
    • Option additionnelle pour joindre l'appel-conférence
    • Enregistrement de l'appel-conférence de suivi

Votre Instructeur

  • Mohamed Jendoubi

    Mohamed Jendoubi

    Fondateur d'Uluumy, Expert en IA

    Notre mission est de démocratiser l’IA. Je cumule plus de 10 ans d’expérience en analytique avancées. J’ai une maîtrise en intelligence d’affaires de HEC Montréal et un Master Spécialisé en Ingénierie des Systèmes Informatiques Communicants de la grande école d’ingénieurs IMT Atlantique. Je suis un adepte de l’apprentissage tout au long de la vie.

Le cours commence dans

Inscrivez-vous dès maintenant
  • 00Days
  • 00Hours
  • 00Minutes
  • 00Seconds