Dans ce module, nous jetterons les bases de la compréhension de l'apprentissage profond en abordant des sujets essentiels tels que les réseaux neuronaux artificiels, les fonctions d'activation et les biais. Nous explorerons également le rôle des données, les différentes applications, les modèles, les fonctions de perte et les algorithmes d'apprentissage essentiels à la performance des modèles.

Dans ce module, nous donnerons un cours accéléré sur les bases de la programmation Python, essentielle pour l'apprentissage profond. Vous apprendrez à installer et à utiliser Jupyter Notebook et Google Colab, à comprendre les types de données, les conteneurs, les instructions de contrôle et à mettre en œuvre des fonctions et des classes en Python.

Dans ce module, nous allons nous plonger dans les bibliothèques Python cruciales pour la science des données. Vous apprendrez à manipuler des tableaux avec NumPy, à manipuler des données avec Pandas et à visualiser des données avec Matplotlib. Nous couvrirons des sujets allant des structures de données de base aux techniques avancées de nettoyage de données et de représentation graphique.

Dans ce module, nous explorerons le modèle de neurones MP, également connu sous le nom de modèle McCulloch-Pitts. Vous comprendrez l'intuition des données, apprendrez à trouver les paramètres et développerez une intuition mathématique pour ce concept fondamental des réseaux neuronaux.

Dans ce module, nous nous concentrerons sur l'implémentation du modèle MP Neuron en Python. Vous apprendrez à importer des ensembles de données, à appliquer le fractionnement formation-test et à modifier les données. À la fin de cette section, vous aurez créé une classe MP Neuron à partir de zéro et vous vous serez exercé avec un devoir.

Dans ce module, nous résumerons les concepts clés et la mise en œuvre pratique du modèle du neurone MP. Nous passerons en revue les points importants et nous nous assurerons que vous avez une solide compréhension grâce à une récapitulation et à des exercices d'évaluation.

Dans ce module, nous aborderons le modèle du Perceptron, en discutant de sa représentation, de la fonction de perte et de la mise à jour des paramètres. Vous comprendrez le fonctionnement de la règle de mise à jour et verrez sa mise en œuvre pratique dans les programmes.

Dans ce module, nous allons implémenter le modèle Perceptron en Python. Vous apprendrez à programmer le modèle et à visualiser sa précision et ses performances avec des époques croissantes, améliorant ainsi vos compétences pratiques en apprentissage profond.

Dans ce module, nous passerons du perceptron au neurone sigmoïde. Vous découvrirez les limites du perceptron, les avantages du neurone sigmoïde et vous aurez un aperçu de la descente de gradient pour l'optimisation des modèles.

Dans ce module, nous allons implémenter le neurone sigmoïde en utilisant Python. Vous apprendrez à télécharger et à standardiser des ensembles de données, et à créer une classe pour la fonction d'activation Sigmoïde, en consolidant votre compréhension par des travaux pratiques.

Dans ce module, nous aborderons les concepts de base de la probabilité. Vous découvrirez les variables aléatoires, leur importance, leurs types et les tables de distribution des probabilités, ainsi que le concept de perte d'entropie dans le contexte de l'apprentissage profond.

Dans ce module, nous allons explorer les réseaux neuronaux profonds. Vous apprendrez pourquoi ils sont importants et, grâce à la programmation pratique, vous comprendrez le concept de séparation linéaire des données, ce qui vous préparera à des modèles d'apprentissage profond plus complexes.

Dans ce module, nous nous pencherons sur le théorème d'approximation universelle. Vous apprendrez sa signification, confirmerez son efficacité à l'aide d'exemples pratiques et discuterez des défis liés à la construction de réseaux neuronaux profonds à partir de zéro.

Dans ce module, nous nous concentrerons sur TensorFlow 2.x pour l'apprentissage profond. Vous apprendrez à construire, entraîner et évaluer des réseaux neuronaux à l'aide de TensorFlow, avec un récapitulatif des concepts de l'apprentissage profond et un résumé pour se préparer à des sujets plus avancés.

Dans ce module, nous allons couvrir les fonctions d'activation dans l'apprentissage profond. Vous découvrirez les différentes fonctions d'activation fournies par TensorFlow et comprendrez les configurations de réseau courantes utilisées dans les tâches d'apprentissage profond.

Dans ce module, nous appliquerons les concepts de l'apprentissage profond. Vous passerez de l'apprentissage superficiel à l'apprentissage profond, comprendrez les bases de Keras, résoudrez des problèmes de classification et de régression, et explorerez les techniques avancées de TensorFlow et les méthodes de sous-classement.