Ebook gratuitApprentissage automatique et apprentissage profond avec Python

Introduction à l'apprentissage automatique

Fondamentaux de Python pour la science des données

Configuration de l'environnement de développement

Manipulation des données avec Pandas

Analyse exploratoire des données avec Matplotlib et Seaborn

Analyse exploratoire des données avec Matplotlib et Seaborn : importation de bibliothèques (Matplotlib et Seaborn)

Analyse exploratoire des données avec Matplotlib et Seaborn : chargement et inspection initiaux des données

Analyse exploratoire des données avec Matplotlib et Seaborn : nettoyage et préparation des données

Analyse exploratoire des données avec Matplotlib et Seaborn : Analyse univariée (distribution d'une seule variable)

Analyse exploratoire des données avec Matplotlib et Seaborn : analyse bivariée (relations entre deux variables)

Analyse exploratoire des données avec Matplotlib et Seaborn : visualisation de données catégorielles

Analyse exploratoire des données avec Matplotlib et Seaborn : visualisation de données continues

Analyse exploratoire des données avec Matplotlib et Seaborn : utilisation d'histogrammes, de boîtes à moustaches et de nuages ​​de points

Analyse exploratoire des données avec Matplotlib et Seaborn : création de tracés linéaires pour les séries chronologiques

Analyse exploratoire des données avec Matplotlib et Seaborn : personnalisation des graphiques (couleurs, titres, étiquettes)

Analyse exploratoire des données avec Matplotlib et Seaborn : analyse de corrélation et de carte thermique

Analyse exploratoire des données avec Matplotlib et Seaborn : utilisation de paires de parcelles pour visualiser les relations dans plusieurs dimensions

Analyse exploratoire des données avec Matplotlib et Seaborn : enregistrez les visualisations dans des fichiers (PNG, JPG, etc.)

Analyse exploratoire des données avec Matplotlib et Seaborn : interprétation et conclusions des visualisations

Concepts statistiques de base pour l'apprentissage automatique

Principes de l'apprentissage supervisé

Principes de l'apprentissage supervisé : définition de l'apprentissage supervisé

Principes d'apprentissage supervisé : ensembles de données : formation et tests

Principes d'apprentissage supervisé : algorithmes de classification

Principes d'apprentissage supervisé : algorithmes de régression

Principes d'apprentissage supervisé : mesures d'évaluation des performances

Principes d'apprentissage supervisé : validation croisée

Principes d'apprentissage supervisé : surapprentissage et sous-apprentissage

Principes d'apprentissage supervisé : régularisation

Principes d'apprentissage supervisé : sélection du modèle

Principes d'apprentissage supervisé : optimisation des hyperparamètres

Principes d'apprentissage supervisé : ingénierie des fonctionnalités

Principes d'apprentissage supervisé : équilibrage des classes

Principes d'apprentissage supervisé : interprétabilité des modèles

Principes d'apprentissage supervisé : applications pratiques

Modèles de régression linéaire SIMPLE et multiple

Mesures de validation croisée et d’évaluation

Modèles de classification : arbres de décision et K-NN

Évaluation des modèles de classification

Apprentissage d'ensemble : ensachage, boosting et forêt aléatoire

Optimisation des hyperparamètres

Réduction de la dimensionnalité et analyse en composantes principales (ACP)

Algorithmes de clustering : K-Means et clustering hiérarchique

Introduction à l'apprentissage profond et aux réseaux de neurones artificiels

Concepts des neurones et fonctions d'activation

Rétropropagation et formation des réseaux de neurones

Rétropropagation et formation sur les réseaux neuronaux : qu'est-ce que la rétropropagation

Rétropropagation et formation sur les réseaux neuronaux : calcul du gradient

Rétropropagation et formation des réseaux de neurones : chaîne de règles de dérivation

Rétropropagation et formation sur les réseaux neuronaux : mise à jour des poids avec descente de gradient

Rétropropagation et formation des réseaux de neurones : fonctions d'activation

Rétropropagation et formation des réseaux de neurones : taux d'apprentissage

Rétropropagation et formation des réseaux de neurones : élan et autres méthodes d'optimisation

Rétropropagation et formation des réseaux de neurones : problèmes de disparition et d'explosion des gradients

Rétropropagation et formation sur les réseaux neuronaux : initialisation des poids

Rétropropagation et formation des réseaux de neurones : régularisation (L1, L2, Dropout)

Rétropropagation et formation sur les réseaux neuronaux : normalisation par lots

Formation sur la rétropropagation et les réseaux neuronaux : formation sur les réseaux neuronaux profonds

Rétropropagation et formation des réseaux de neurones : surajustement et sous-ajustement

Rétropropagation et formation des réseaux de neurones : validation croisée

h15. Rétropropagation et formation des réseaux de neurones : techniques d'augmentation des données

Rétropropagation et formation des réseaux de neurones : apprentissage par transfert

Rétropropagation et formation des réseaux de neurones : réseaux de neurones récurrents (RNN) et rétropropagation dans le temps (BPTT)

Rétropropagation et formation des réseaux de neurones : mémoire à long terme (LSTM) et unité récurrente fermée (GRU)

Rétropropagation et formation des réseaux de neurones : frameworks d'apprentissage profond (TensorFlow, PyTorch, Keras)

Optimiseurs et stratégies de régularisation

Construire des réseaux de neurones avec Keras et TensorFlow

Création de réseaux de neurones avec Keras et TensorFlow : introduction à TensorFlow et Keras

Création de réseaux de neurones avec Keras et TensorFlow : installation et configuration de l'environnement

Construire des réseaux de neurones avec Keras et TensorFlow : principes fondamentaux des réseaux de neurones artificiels

Création de réseaux de neurones avec Keras et TensorFlow : création de modèles séquentiels dans Keras

Construire des réseaux de neurones avec Keras et TensorFlow : travailler avec des couches denses, convolutives et récurrentes

Création de réseaux de neurones avec Keras et TensorFlow : application de techniques de régularisation et de normalisation

Création de réseaux de neurones avec Keras et TensorFlow : utilisation des fonctions d'activation et des initialiseurs de poids

Création de réseaux de neurones avec Keras et TensorFlow : compilation et formation de modèles d'apprentissage profond

Création de réseaux de neurones avec Keras et TensorFlow : évaluation et optimisation des performances des modèles

Création de réseaux de neurones avec Keras et TensorFlow : utilisation des rappels et des modèles d'enregistrement

Construire des réseaux de neurones avec Keras et TensorFlow : peaufiner et transférer l'apprentissage

Création de réseaux de neurones avec Keras et TensorFlow : mise en œuvre de réseaux de neurones pour les tâches de classification et de régression

Construire des réseaux de neurones avec Keras et TensorFlow : applications dans le traitement du langage naturel et la vision par ordinateur

Créer des réseaux de neurones avec Keras et TensorFlow : intégrer TensorFlow à l'écosystème de données Python

Modèles d'apprentissage profond pour la vision par ordinateur

Réseaux de neurones convolutifs (CNN)

Transfert d’apprentissage et mise au point

Apprentissage par transfert et mise au point : définition de l'apprentissage par transfert

Apprentissage par transfert et mise au point : avantages de l'apprentissage par transfert

Apprentissage par transfert et mise au point : scénarios d'application

Apprentissage par transfert et mise au point : réseaux de neurones pré-entraînés

Transfert d'apprentissage et de mise au point : extraction de fonctionnalités

Apprentissage par transfert et mise au point : mise au point des couches

Apprentissage par transfert et mise au point : congélation des couches

Transfert d'apprentissage et mise au point : adaptation des modèles à de nouveaux domaines

Apprentissage par transfert et mise au point : ensembles de données et augmentation des données

Apprentissage par transfert et réglage fin : optimiseurs et taux d'apprentissage

Apprentissage par transfert et réglage fin : régularisation et évitement du surapprentissage

Apprentissage par transfert et réglage fin : frameworks d'apprentissage profond (TensorFlow, Keras, PyTorch)

Apprentissage par transfert et mise au point : évaluation du modèle et validation croisée

Apprentissage par transfert et mise au point : apprentissage par transfert en vision par ordinateur

h15. Apprentissage par transfert et mise au point : apprentissage par transfert dans le traitement du langage naturel (NLP)

Apprentissage par transfert et mise au point : défis et limites de l'apprentissage par transfert