À la fin de ce cours, les apprenants seront en mesure d'analyser des ensembles de données, d'appliquer des algorithmes d'apprentissage automatique, d'évaluer des classificateurs et de mettre en œuvre des modèles d'apprentissage profond à l'aide de Python et de ses cadres populaires. Le cours commence par les fondements de l'IA, couvrant des concepts essentiels tels que Python pour l'IA, le compromis biais-variance et l'évolution du modèle. Les apprenants exploreront ensuite la manipulation des données, la visualisation, la réduction de la dimensionnalité et l'évaluation des classificateurs pour renforcer les compétences pratiques en ML. Enfin, le cours plonge dans l'IA avancée avec les perceptrons multicouches, le clustering, les méthodes d'ensemble et la pratique avec TensorFlow, Keras et PyTorch. Ce qui rend ce cours unique, c'est sa structure étape par étape combinant la théorie avec des démonstrations de codage pratiques à l'aide de Bloc-notes Jupyter, garantissant que les apprenants peuvent directement appliquer les concepts aux problèmes du monde réel. Grâce à des leçons intégrées sur la documentation et la visualisation, les participants apprendront également à présenter clairement des projets d'IA. Conçu pour les apprenants de niveau intermédiaire, ce cours comble le fossé entre les connaissances de base et les applications IA avancées, en vous donnant les moyens de construire, tester et affiner en toute confiance les modèles d'apprentissage automatique et d'apprentissage profond.