De l'Algèbre Linéaire à l'Apprentissage Automatique

Aperçu

Explorez les fondations mathématiques de l'apprentissage automatique, de l'algèbre linéaire à l'optimisation, avec des implémentations pratiques en Python utilisant NumPy, SciPy et TensorFlow.

Programme

• Introduction à l'algèbre linéaire
Vecteurs et matrices
Opérations et propriétés des matrices
Déterminants et matrices inverses
Valeurs propres et vecteurs propres
Mise en œuvre pratique avec NumPy
• Algèbre linéaire en apprentissage automatique
Transformations linéaires
Analyse en composantes principales (PCA)
Décomposition en valeurs singulières (SVD)
• Introduction à l'optimisation
Descente de gradient et ses variantes
Optimisation convexe vs non-convexe
Mise en œuvre pratique avec SciPy
• Probabilités et statistiques en apprentissage automatique
Distributions de probabilité et propriétés
Théorème de Bayes et applications
Régression linéaire : théorie et pratique
• Fondamentaux de l'apprentissage automatique
Arbres de décision et forêts aléatoires
Machines à vecteurs de support (SVM)
Réseaux neuronaux et apprentissage profond
• Introduction à TensorFlow
Bases de TensorFlow et graphes computationnels
Construction et entraînement d'un réseau neuronal de type feedforward
Implémentation de CNN et RNN dans TensorFlow
• Sujets avancés
Techniques de régularisation : L1, L2 et Dropout
Réglage d'hyperparamètres et sélection de modèles
Introduction à l'apprentissage par transfert et modèles pré-entraînés
• Projet final
Définir et implémenter un modèle d'apprentissage automatique
Démontrer la compréhension des applications de l'algèbre linéaire
Présenter les résultats et réfléchir sur l'apprentissage

---

Sujets

Conférences