Aperçu
Plus : (1) IA et Humains, (2) IA Générative et Dirigeants, (3) IA et Opérations, (4) IA et Stratégie d'Entreprise
Programme
-
- Introduction à l'IA et au Machine Learning
-- Définition et historique de l'IA
-- Principales différences entre l'IA, le Machine Learning et le Deep Learning
- Concepts fondamentaux du Machine Learning
-- Apprentissage supervisé
-- Apprentissage non supervisé
-- Apprentissage par renforcement
- Principaux algorithmes et techniques
-- Régression linéaire
-- Algorithmes de classification (par exemple, arbres de décision, SVM)
-- Clustering (par exemple, K-Means)
-- Réseaux neuronaux et bases du Deep Learning
- Préparation des données et ingénierie des caractéristiques
-- Nettoyage et prétraitement des données
-- Sélection et extraction de caractéristiques
-- Gestion des données manquantes
- Évaluation et optimisation des modèles
-- Ensembles d'entraînement et de test
-- Validation croisée
-- Mesures d'évaluation (par exemple, précision, précision, rappel)
- Applications pratiques de l'IA et du ML
-- L'IA dans le commerce et l'industrie
-- Cas d'utilisation dans le marketing, la santé, la finance et plus encore
- Outils et environnements
-- Aperçu des outils ML populaires (par exemple, bibliothèques Python telles que NumPy, pandas, scikit-learn, TensorFlow)
-- Configuration d'un environnement de développement
- Considérations éthiques et tendances futures
-- Biais et équité dans l'IA
-- IA responsable et préoccupations en matière de confidentialité
-- Directions futures dans la recherche en IA
- Conclusion du cours et prochaines étapes
-- Résumé des concepts clés
-- Ressources pour poursuivre l'apprentissage
-- Parcours professionnels dans l'IA et le Machine Learning
Enseigné par
Irlon Terblanche and Peter Alkema
Étiquettes
On-Demand
