Grand A Petit I - Intelligence Artificielle Pratique en Python

Aperçu

Explorez la mise en œuvre pratique de l'IA en Python, en vous concentrant sur les applications réelles et les techniques de développement de systèmes intelligents.

Programme

• Introduction à l'intelligence artificielle
Vue d'ensemble de l'IA et de ses applications dans le monde réel
Introduction à l'apprentissage automatique et à l'apprentissage profond
Configuration d'un environnement Python pour le développement de l'IA
• Bases de Python pour l'IA
Bibliothèques Python essentielles : NumPy, Pandas, Matplotlib
Techniques de manipulation et de visualisation de données
• Introduction à l'apprentissage automatique
Apprentissage supervisé : régression et classification
Apprentissage non supervisé : clustering et réduction de dimensionnalité
Métriques d'évaluation et validation de modèles
• Travailler avec des données réelles
Prétraitement des données : nettoyage et transformation
Techniques d'ingénierie de fonctionnalités et de sélection
Traitement des données manquantes et gestion des valeurs aberrantes
• Construction de modèles d'apprentissage automatique en Python
Utilisation de Scikit-learn pour construire et entraîner des modèles
Réglage des hyperparamètres et optimisation de modèles
Techniques de validation croisée et sélection de modèles
• Introduction aux réseaux neuronaux
Notions de base des réseaux neuronaux et de l'apprentissage profond
Construction de réseaux neuronaux avec TensorFlow et Keras
Entraînement et évaluation des réseaux neuronaux
• Applications de vision par ordinateur
Techniques de traitement d'image
Construction de modèles de classification d'images avec les réseaux de neurones convolutifs (CNN)
Cas d'utilisation : reconnaissance d'objets et segmentation d'images
• Traitement automatique du langage naturel (TALN)
Traitement du texte et extraction de caractéristiques
Analyse de sentiments et classification de texte
Introduction aux modèles de langage et aux embeddings
• Les bases de l'apprentissage par renforcement
Concepts et terminologie de base
Implémentations simples avec Python
Applications pratiques et défis
• L'IA en pratique : études de cas
Revue des projets et applications d'IA notables
Discussion sur les considérations éthiques et les meilleures pratiques
Exploration des tendances et des orientations futures de l'IA
• Projet de fin d'études
Développer un projet d'IA complet utilisant Python
Appliquer les techniques apprises pour résoudre un problème réel
Présentation des résultats et réflexions sur le projet
• Révision du cours et prochaines étapes
Récapitulatif des sujets majeurs abordés
Orientation sur les ressources d'apprentissage ultérieures et les sujets avancés
Session finale de questions et réponses et collecte de feedback

Sujets

Conférences