À la fin de ce cours, les apprenants seront en mesure de configurer un environnement Python, de prétraiter et d'encoder des données, de construire des architectures de réseaux neurones artificiels (ANN), de générer des prédictions et de traiter des ensembles de données déséquilibrés à l'aide de techniques de rééchantillonnage. Les participants acquerront une expérience pratique avec TensorFlow, Keras et Anaconda tout en maîtrisant des compétences pratiques dans la préparation des données, la construction de modèles et l'optimisation des performances. Ce cours bénéficie aux étudiants, aux passionnés de données et aux professionnels qui cherchent à renforcer leur expertise en matière d'apprentissage profond avec une approche ciblée et basée sur des projets. Contrairement aux tutoriels génériques, il met l'accent sur un flux de travail complet de bout en bout - de la configuration de l'environnement et du prétraitement des données à la conception et à l'évaluation des ANN - garantissant que les apprenants peuvent créer des modèles prédictifs de manière indépendante. Ce qui rend ce cours unique, c'est son équilibre entre la clarté conceptuelle et la mise en œuvre dans le monde réel. Les apprenants ne se contentent pas de comprendre la théorie, ils l'appliquent directement à l'analyse du taux de désabonnement des clients, un cas d'utilisation pratique. Avec des leçons étape par étape, des quiz et des projets guidés, ce cours donne aux participants la confiance nécessaire pour mettre en œuvre des modèles ANN dans des scénarios réels et passer en douceur à des sujets d'apprentissage profond plus avancés.