Dans ce module, nous nous plongerons dans le domaine spécialisé de la régression multi-cibles à l'aide du Deep Learning. Nous couvrirons les fondements théoriques et suivrons un guide de codage étape par étape pour mettre en œuvre et affiner des modèles de régression capables de prédire plusieurs variables continues simultanément.

Dans ce module, nous allons nous lancer dans un voyage complet dans la classification avec le deep learning, en nous concentrant sur les techniques de classification binaire et multi-label. Nous construirons, coderons et affinerons des modèles capables de classer efficacement les données dans des catégories distinctes ou multiples, à l'aide de travaux pratiques et d'exemples concrets.

Dans ce module, nous allons nous plonger dans les réseaux neuronaux convolutifs (CNN), de leur architecture de base aux applications avancées. Nous nous engagerons dans des explorations interactives, des laboratoires pratiques et des exercices pratiques pour développer une solide compréhension du rôle des CNN dans la reconnaissance d'image, la classification et la segmentation sémantique.

Dans ce module, nous explorerons le monde fascinant des autoencodeurs, en nous concentrant sur leurs fondements théoriques et leurs applications pratiques. Nous apprendrons à implémenter efficacement les autoencodeurs, à comprendre leurs diverses utilisations et à acquérir une expérience pratique grâce à des laboratoires de codage.

Dans ce module, nous nous plongerons dans l'apprentissage par transfert et les modèles pré-entraînés, en explorant comment ces techniques révolutionnent l'efficacité et l'efficience du Deep learning. Nous apprendrons à appliquer ces méthodes de manière pratique grâce à des séances de laboratoire, améliorant ainsi de manière significative nos projets d'apprentissage profond.

Dans ce module, nous explorerons les Réseaux neurones récurrents (RNN) et leurs applications dans le traitement des données séquentielles. Nous nous concentrerons sur les réseaux à Mémoire court et long terme (LSTM) pour la prédiction de séries temporelles, en acquérant une expérience pratique par le biais de laboratoires de codage et d'expérimentations pratiques.

Dans ce module, nous allons explorer Shiny, un cadre de travail pour la création d'applications web interactives. Nous découvrirons ses composants essentiels, nous plongerons dans la sélection du langage et les expressions réactives, et nous acquerrons une expérience pratique en développant et en déployant des apps Shiny pour une utilisation réelle.