Ce que vous devez savoir avant
Vous commencez

Débute 4 June 2026 03:41

Se termine 4 June 2026

00 Jours
00 Heures
00 Minutes
00 Secondes
course image

Apprentissage automatique - Les mathématiques fondamentales derrière les bibliothèques

Explorez les fondements mathématiques de l'apprentissage automatique, des techniques d'apprentissage supervisé à l'apprentissage non supervisé, pour acquérir une compréhension plus approfondie des réseaux de neurones et de leurs processus sous-jacents.
NDC Conferences via YouTube

NDC Conferences

6076 Cours


53 minutes

Amélioration optionnelle disponible

Not Specified

Progressez à votre rythme

Conference Talk

Amélioration optionnelle disponible

Aperçu

Explore the mathematical foundations of machine learning, from supervised to unsupervised learning techniques, to gain a deeper understanding of neural networks and their underlying processes.

Programme

  • Introduction aux Mathématiques de l'Apprentissage Automatique
  • Vue d'ensemble de l'Apprentissage Automatique et Prérequis Mathématiques
    Bases de l'Algèbre Linéaire : Vecteurs, Matrices et Opérations
    Fondamentaux des Probabilités et Statistiques
  • Fondations de l'Apprentissage Supervisé
  • Régression Linéaire : Moindres Carrés, Fonction de Coût et Descente de Gradient
    Régression Logistique : Fonction Sigmoïde, Fonction de Perte et Maximum de Vraisemblance
    Machines à Vecteurs de Support : Marge, Formulation Duale et Astuce du Noyau
  • Techniques d'Apprentissage Non Supervisé
  • Algorithmes de Clustering : K-Moyennes et Clustering Hiérarchique
    Analyse en Composantes Principales (ACP) : Vecteurs Propres et Valeurs Propres
    Modèles de Mélange Gaussien et Maximisation de l'Espérance
  • Réseaux Neuronaux et Apprentissage Profond
  • Modèle du Perceptron et Perceptrons Multicouches
    Rétropropagation et Règle de la Chaîne en Calcul Différentiel
    Fonctions d'Activation : Sigmoïde, ReLU et Softmax
  • Techniques d'Optimisation et d'Entraînement
  • Descente de Gradient Stochastique et Variantes
    Schedules de Taux d'Apprentissage et Techniques de Régularisation
    Surapprentissage et Sous-apprentissage : Compromis Biais-Variance
  • Sujets Avancés en Apprentissage Automatique
  • Réseaux de Neurones Convolutifs : Convolutions, Pooling et Exploitation des Données Visuelles
    Réseaux de Neurones Récurrents : Séries Temporelles et Données de Séquence
    Introduction aux Bases de l'Apprentissage par Renforcement
  • Exploration Mathématique de la Performance et de l'Évaluation
  • Matrice de Confusion, Précision, Rappel et Score F1
    Caractéristique de Fonctionnement du Récepteur (ROC) et AUC
    Validation Croisée et Stratégies de Sélection de Modèles
  • Conclusion du Cours et Projet de Synthèse
  • Intégration des Concepts Mathématiques dans les Applications du Monde Réel
    Construire un Modèle d'Apprentissage Automatique Simple à Partir de Zéro
    Discussion sur les Tendances Futures et le Rôle des Mathématiques dans l'Avancée de l'IA

Matières

Conference Talks