À la fin de ce module sur les démonstrations et études de cas en Python sur les fondamentaux des algorithmes d'apprentissage automatique, les apprenants seront en mesure de : interpréter les erreurs dans l'apprentissage automatique, telles que le biais et la variance ; acquérir des connaissances sur la mise en œuvre de l'apprentissage automatique dans des domaines en temps réel tels que les soins de santé, la banque et les industries ; acquérir la capacité de réaliser des processus d'analyse de données exploratoires (AED) en utilisant le langage de programmation Python ; développer les compétences pour modéliser les algorithmes d'apprentissage automatique pour prédire le cancer du poumon

À la fin de ce module sur la démonstration d'algorithmes d'Apprentissage machine non supervisé & renforcement par des démos en Python, les apprenants seront capables de : Modéliser un algorithme de clustering K-moyennes à travers une démo ; Développer une démo d'application employant le clustering DBSCAN sur un jeu de données ; Démontrer l'utilisation des COBOTs dans l'automatisation industrielle.

À la fin de ce module sur les principes et les démonstrations réussies des réseaux neuronaux (analyse de texte), les apprenants seront capables de : démontrer la reconnaissance de chiffres à l'aide de MLP et de CNN ; développer un programme Python pour identifier les problèmes d'overfitting et d'underfitting dans un modèle ML ; développer un réseau ML à l'aide de l'outil WEKA.

À la fin de ce module sur les applications avancées avec les réseaux de Deep learning, les apprenants seront capables de : Identifier les problèmes de gradient évanescent et instable dans un modèle d'apprentissage profond ; Appliquer le DL pour la détection de la maladie de la feuille de bananier ; Appliquer le CNN pour la détection de la pneumonie ; Modéliser un système avancé de ML basé sur le CNN pour reconnaître des images

À la fin de ce module sur l'IoT avec l'IA et l'Edge computing, les apprenants seront en mesure de : Comprendre les principes de fonctionnement du système TinyML ; Identifier le besoin de techniques de compression ; Interpréter l'architecture Edge basée sur un Edge computing ; Apprendre les fonctionnalités de l'IDE Arduino et la programmation sur la carte de développement Arduino Nano BLE