• Ce que vous allez expérimenter

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

  • Notre objectif

    Vous fournir une expérience d’apprentissage pour vous aider à atteindre vos objectifs.

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

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

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!
    • Bienvenue!
    • Comment utiliser ce cours (en anglais)
    • Espace de discussion et d’échange
    • Réseaux sociaux de la plateforme
    • Avant que nous commencions...
    • Programme du cours
    • Apprendre comment apprendre
    • Support du cours
  • 2
    Introduction générale!
    • Ce que ce chapitre va couvrir
    • Objectifs du cours
    • A qui s’adresse le cours
    • Nos principes d’apprentissage
    • Prérequis
    • Ressources
  • 3
    Le cadre du cours
    • Ce que ce chapitre va couvrir
    • IA, Apprentissage automatique, Apprentissage profond
    • Pourquoi maintenant?
    • Apprentissage profond et Valeur économique
    • L'apprentissage supervisé (Supervised learning)
    • Pourquoi Keras
    • Sommaire du chapitre et ce qu'il faut retenir
    • Lectures optionnelles
    • Quiz
  • 4
    Un premier exemple: Classification d'images
    • Ce que ce chapitre va couvrir
    • Un survol de Google Colab
    • Un premier cas pratique en Keras: classification d’images
    • Sommaire du chapitre et ce qu'il faut retenir
    • C'est à vous: se familiariser avec Keras et Google Colab
    • Quiz
  • 5
    Apprentissage automatique (Machine Learning), un survol
    • Ce que ce chapitre va couvrir
    • Modèle de classification: la base
    • Un exemple d’algorithme de classification: Régression logistique
    • Évaluation de modèle de classification
    • Biais vs Variance
    • Sommaire du chapitre et ce qu'il faut retenir
    • Lectures optionnelles
    • Quiz: Apprentissage automatique
  • 6
    Les bases de l’apprentissage profond (Deep Learning)
    • Ce que ce chapitre va couvrir
    • Définition: le “profond” dans apprentissage profond
    • Comprendre le réseau de neurones (profond) en graphique
    • TensroFlow Playground
    • Sommaire du chapitre et ce qu'il faut retenir
    • C'est à vous: Développer votre intuition des réseaux de neurones
    • Solution: labo Tensorflow Playground
    • Lectures optionnelles
    • Quiz: Réseau de neurones
  • 7
    L'engin du réseau de neurones (profond): Optimisation
    • Ce que ce chapitre va couvrir
    • Optimiseur
    • Comment se fait l’apprentissage automatique
    • Sommaire du chapitre et ce qu'il faut retenir
    • Lectures optionnelles
    • Quiz: Optimisation
  • 8
    Amélioration du réseau de neurones profond
    • Ce que ce chapitre va couvrir
    • Taux d'apprentissage (Learning Rate)
    • Régularisation
    • Hyperparamètres
    • Sommaire du chapitre et ce qu'il faut retenir
    • C'est à vous: Développer votre intuition de la Régularisation
    • Lectures optionnelles
    • Quiz: Régularisation et hyperparamètre
  • 9
    Apprentissage profond: vision par ordinateur (Computer Vision), un aperçu
    • Ce que ce chapitre va couvrir
    • Impact
    • Pourquoi a-t-on besoin d'un Convolutional Network (ConvNet)
    • La convolution
    • Le Max Pooling
    • La compétition ImageNet
    • Retour sur l'exemple Keras de Classification d'images : Utilisation de ConvNet
    • Modèles pré-entraînés dans Keras
    • Retour sur l'exemple Keras de Classification d'images : Régularisation
    • Sommaire du chapitre et ce qu'il faut retenir
    • C'est à vous: Classification d'images en Keras
    • Lectures optionnelles
    • Quiz: ConvNet
  • 10
    Apprentissage profond: Texte et Séquences, un aperçu
    • Ce que ce chapitre va couvrir
    • Pourquoi un modèle récurrent
    • Travailler avec du texte
    • Quelques applications
    • Un exemple avec Keras: Analyse des sentiments
    • Différents types de RNN
    • Dépendance à long-terme
    • Retour sur l'exemple d'analyse des sentiments: LSTM
    • Sommaire du chapitre et ce qu'il faut retenir
    • C'est à vous: Pratiquer le RNN
    • Lectures optionnelles
    • Quiz: Texte et Séquences
  • 11
    Apprentissage par transfert (Transfer Learning), un aperçu
    • Ce que ce chapitre va couvrir
    • Comment ça marche
    • Sommaire du chapitre et ce qu'il faut retenir
    • Lectures optionnelles
  • 12
    Projet final: Chien ou Chat
    • Choix de projet
    • Étape 1: Modèle de base
    • Étape 2: Modèle avec augmentation des données
    • Étape 3: Modèle avec apprentissage par transfert
    • Quiz: Projet final
    • Solutions : Projet final
  • 13
    Conclusion et prochaines étapes...
    • Félicitations! Voici la suite ...
    • Aidez-nous à améliorer votre expérience d’apprentissage
    • Crédits
    • Copyright
  • 14
    Ressources additionnelles
    • Générales
    • Vision par ordinateur (Computer Vision)
    • Texte et séquences
    • Visualisation et Interprétation d'un réseau de neurones
    • Ethique et Biais
    • Livres

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.

Photo by Matthew Henry from Burst, Daniel Spase from Unsplash