Découvrez les applications de l’apprentissage profond

L'apprentissage profond est la technique de Machine Learning derrière les avancées les plus enthousiasmantes dans des domaines variés comme la robotique, le traitement du langage naturel, la reconnaissance d’images et l’intelligence artificielle, y compris le célèbre AlphaGo. Dans ce cours de 4 heures, vous acquerrez des connaissances pratiques et concrètes sur la façon d’appliquer vos compétences en Python à l’apprentissage profond avec la bibliothèque Keras 2.0.

Explorez les modèles Keras avec un contributeur de la bibliothèque

Animé par Dan Becker, ancien scientifique des données chez Google et contributeur à Keras, ce cours sur l’apprentissage profond explore les modèles de réseaux neuronaux et la façon dont vous pouvez générer des prédictions à l’aide de ceux-ci. Les premiers chapitres approfondiront votre compréhension de la propagation avant et de la propagation arrière, ainsi que de leur fonctionnement en pratique.

La bibliothèque Keras est une bibliothèque Python qui peut vous aider à développer et à évaluer des modèles d’apprentissage profond. Comme de nombreuses bibliothèques Python, elle est gratuite, open source et très conviviale. Vous commencerez par créer un modèle Keras, puis vous apprendrez à le compiler, à l’entraîner et à le classer avant de faire des prédictions. Une fois ce cours terminé, vous aurez tous les outils nécessaires pour créer des réseaux neuronaux profonds et commencer à expérimenter, au fil du temps, avec des réseaux plus larges et plus profonds.

Approfondissez vos connaissances en apprentissage profond

Ce cours fait partie de plusieurs parcours en apprentissage automatique et en apprentissage profond, vous offrant des voies claires pour développer vos compétences et votre expérience dans ce domaine une fois le cours d’introduction terminé, que vous souhaitiez réaliser un projet personnel ou vous orienter vers une carrière de scientifique en apprentissage automatique.

Niveaux de représentation

Introduction à Deep Learning en Python

Exercice interactif pratique