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

Enseigné par

Étiquettes