Deep Learning Avec Python: La Formation Complète

Cours complet sur le Deep Learning pour maîtriser l'intelligence artificielle, Tensorflow, et les réseaux de neurones

What you'll learn
Apprenez les bases de la théorie du Deep Learning
Apprenez à utiliser différents frameworks en Python pour résoudre des problèmes du monde réel à l'aide du Deep Learning et de l'intelligence art
Construire des réseaux de neurones artificiels avec Tensorflow et Keras
Apprenez à utiliser le Deep Learning en Python
Faire des prédictions à l'aide de la régression linéaire, de la régression polynomiale et de la régression multivariée
Requirements
Expérience avec les bases du codage en Python
Compétences mathématiques de base
Disponibilité, flexibilité et passion pour l'apprentissage
Description
Python est reconnu comme l'un des meilleurs langages de programmation pour sa flexibilité. Il fonctionne dans presque tous les domaines, du développement Web au développement d'applications financières. Cependant, ce n'est un secret pour personne que la meilleure application de Python est dans les tâches d'apprentissage en profondeur et d'intelligence artificielle.Bien que Python facilite l'utilisation du Deep Learning, il sera toujours assez frustrant pour quelqu'un qui n'a aucune connaissance du fonctionnement de l'apprentissage automatique.Si vous connaissez les bases de Python et que vous avez envie d'apprendre le Deep Learning, ce cours est fait pour vous. Ce cours vous aidera à apprendre à créer des programmes qui acceptent la saisie de données et automatisent l'extraction de fonctionnalités, simplifiant ainsi les tâches du monde réel pour les humains.Il existe des centaines de ressources d'apprentissage automatique disponibles sur Internet. Cependant, vous risquez d'apprendre des leçons inutiles si vous ne filtrez pas ce que vous apprenez. Lors de la création de ce cours, nous avons tout filtré pour isoler les bases essentielles dont vous aurez besoin dans votre parcours d'apprentissage en profondeur.C'est un cours de base qui convient aussi bien aux débutants qu'aux experts. Si vous êtes à la recherche d'un cours qui commence par les bases et passe aux sujets avancés, c'est le meilleur cours pour vous.Il enseigne uniquement ce dont vous avez besoin pour vous lancer dans l'apprentissage en profondeur sans fioritures. Bien que cela aide à garder le cours assez concis, il s'agit de tout ce dont vous avez besoin pour commencer avec le sujet.

Overview

Section 1: Introduction au Deep Learning

Lecture 1 Qu'est-ce que le Deep Learning?

Lecture 2 Pourquoi le Deep Learning est-il important?

Lecture 3 Logiciels et plateformes

Section 2: Réseaux de Neurones Artificiels (RNA)

Lecture 4 Introduction

Lecture 5 Anatomie et fonction des neurones

Lecture 6 Introduction aux réseaux de neurones

Lecture 7 Architecture d'un réseau de neurones

Section 3: Propagation de l'information dans un réseau de neurones artificiels

Lecture 8 Réseau de neurones à propagation avant et rétrograde

Lecture 9 Rétro-propagation

Lecture 10 Minimisation de la fonction coût avec la rétropropagation

Section 4: Types d'architecture des réseaux de neurones

Lecture 11 Perceptron à une couche

Lecture 12 Réseau à base radiale

Lecture 13 Perceptron à plusieurs couches

Lecture 14 Réseau de neurones récursif

Lecture 15 Cellules LSTM (Long Short Term Memory)

Lecture 16 Réseau de Hopfield

Lecture 17 Machine de Boltzmann

Section 5: Fonctions d'activation

Lecture 18 Qu'est ce qu'une fonction d'activation?

Lecture 19 Terminologie Importante

Lecture 20 Fonction sigmoïde

Lecture 21 Fonction tangente hyperbolique

Lecture 22 Fonction softmax

Lecture 23 Fonction Unité Linéaire Rectifiée (ou ReLU)

Lecture 24 Fonction d'activation Leaky ReLU

Section 6: Algorithme du gradient (gradient descent) avec Python

Lecture 25 Qu'est-ce que la Descente de Gradient ?

Lecture 26 Qu'est-ce que la Descente de Gradient Stochastique ?

Lecture 27 Descente de Gradient vs Descente de Gradient Stochastique

Section 7: Présentation sommaire des réseaux de neurones

Lecture 28 Comment fonctionnent les réseaux de neurones artificiels ?

Lecture 29 Avantages des réseaux de neurones artificiels

Lecture 30 Inconvénients des réseaux de neurones artificiels

Lecture 31 Applications des réseaux de neurones artificiels

Section 8: Implémentation d’un RNA en Python

Lecture 32 Introduction

Lecture 33 Exploration de la base de données

Lecture 34 Énoncé du problème

Lecture 35 Prétraitement des données

Lecture 36 Chargement de la base de données

Lecture 37 Séparation de la base de données en variables dépendantes et indépendantes

Lecture 38 Codage d'étiquette avec Scikit-Learn

Lecture 39 Encodage one-hot avec Scikit-Learn

Lecture 40 Ensembles d'apprentissage et de test : Fractionnement des données

Lecture 41 Le Feature Scaling

Lecture 42 Construction du réseau de neurones artificiels

Lecture 43 Ajout de la couche d’entrée et la première couche cachée

Lecture 44 Ajout de la seconde couche cachée

Lecture 45 Ajout de la couche de sortie

Lecture 46 Compilation du réseau de neurones artificiels

Lecture 47 Adaptation du RNA à l’ensemble d’apprentissage

Lecture 48 Prédiction des résultats de l'ensemble de tests

Section 9: Réseaux de neurones convolutifs (RNC)

Lecture 49 Introduction

Lecture 50 Composants d’un réseau de neurones convolutifs

Lecture 51 Couche de convolution

Lecture 52 Couche de mise en commun

Lecture 53 Couche pleinement connectée

Section 10: Implémentation d'un RNC dans Python

Lecture 54 Base de données

Lecture 55 Import de bibliothèques python

Lecture 56 Construction du modèle RNC

Lecture 57 Performance du modèle

Programmeurs qui cherchent à ajouter le Deep Learning à leurs compétences,Mathématiciens professionnels désireux d'apprendre à analyser des données par programmation,Tout passionné de programmation Python souhaitant ajouter des compétences en Deep Learning à son portefeuille