56 résultats sur 56 entrées
Agro Campus
Analyse des données multidimensionnelles
Data Analytics Données et algorithmes
Ce cours vise à comprendre et appliquer les méthodes de l’analyse des données : analyse en composantes principales, analyse factorielle des correspondances, analyse des correspondances multiples, classification ascendante hiérarchique.
Effort : 25 heures Rythme : ~5h/semaine
Arts et Métiers
Mécanique des solides déformables
Simulation Numérique Mécanique des solides
Après avoir suivi cet enseignement, vous serez en capacité de comprendre et d’appliquer les formules utilisées dans les codes de calculs de structure. Vous pourrez dimensionner des éléments simples travaillant dans le domaine élastique.
Effort : 15 heures Rythme : ~3h/semaine
Centrale Nantes
Dopez vos calculs : Le HPC à votre portée
HPC Introduction au HPC
Au cours de ce MOOC, accessible à tous, vous allez découvrir ce qu’est un supercalculateur, comment s’en servir, quels bénéfices vous pouvez en tirer et comment introduire le parallélisme dans vos codes de calcul.
Effort : 15 heures Rythme : ~5h/semaine
CNAM
L’Intelligence Artificielle pour TOUS !
Intelligence Artificielle Introduction à l’IA
Ce cours, est un mode d’emploi pour comprendre simplement ce qu’est l’IA (Intelligence Artificielle), pour participer à des projets IA, transformer sa façon de travailler et créer de la valeur ajoutée quel que soit votre métier.
Effort : 10 heures Rythme : ~2h30/semaine
CNAM
Introduction aux réseaux de neurones
Intelligence Artificielle Réseaux de Neurones & deep learning
Ce Mooc présente les réseaux de neurones profonds, qui constituent les fondements du « deep learning», et leur utilisation pour des problèmes de reconnaissance et classification de données.
Effort : 21 heures Rythme : ~3h30/semaine
ENS Paris-Saclay
Pratiques du Dimensionnement en Mécanique - Partie 2
Simulation Numérique Dimensionnement en Mécanique
L’objectif est de présenter et de mettre en œuvre les différents outils de dimensionnement en calcul de structures. L’originalité du cours est de mettre en évidence les atouts de ces outils, tout comme leurs limites, au travers d’un même…
Effort : 25 heures Rythme : ~2h30/semaine
ENS Paris-Saclay
Pratiques du Dimensionnement en Mécanique - Partie 1
Simulation Numérique Dimensionnement en Mécanique
L’objectif est de présenter et de mettre en œuvre les différents outils de dimensionnement en calcul de structures. L’originalité du cours est de mettre en évidence les atouts de ces outils, tout comme leurs limites, au travers d’un même…
Effort : 25 heures Rythme : ~2h30/semaine
EPFL
Simulation Numérique pour ingénieurs
Simulation Numérique Analyse numérique
Ce cours donné aux étudiants bachelor de l’EPFL est basé sur le livre "Introduction à l’analyse numérique", J. Rappaz M. Picasso, Ed. PPUR. Des outils de base à la résolution numérique d’équations différentielles.
Effort : 37 heures Rythme : Auto-rythmé
FIDLE / CNRS
VAE : Implémentation d’un VAE
Intelligence Artificielle VAE : Implémentation d’un VAE
VAE : Implémentation d’un VAE Mise en œuvre d’un d’un Variational Autoencoder (VAE) avec le dataset CelebA et en utilisant : - une classe VAE, construite sur Keras, - un DataGenerator spécifique, pour la gestion des données.
Effort : 0,6h Rythme : Auto-rythmé
FIDLE / CNRS
Exemple d’analyse de sentiment (One Hot Encoding)
Intelligence Artificielle Données creuses : Exemple One Hot Encoding
Exemple d’analyse de sentiment (One Hot Encoding) Un premier exemple d’analyse de sentiment par deep learning, avec l’utilisation d’un encodage One Hot. L’objectif est d’analyser des critiques de films issues de la base IMBD.
Effort : 0,3h Rythme : Auto-rythmé
FIDLE / CNRS
Comment évaluer un modèle ? Partie 2Kereas Embedding Layer
Intelligence Artificielle Données creuses : Kereas Embedding Layer
Comment évaluer un modèle ? Partie 2 Comment gérer des données "textuelles" ? Cette vidéo présente deux stratégies classiquement utilisées pour l’analyse du texte : l’encodage de type One Hot Encoding et l’Embedding.
Effort : 0,3h Rythme : Auto-rythmé
FIDLE / CNRS
Comment évaluer un modèle ? Partie 1K-Fold cross validation
Intelligence Artificielle Données creuses : K-Fold cross validation
Comment évaluer un modèle ? Partie 1 Petit retour sur l’art et la manière d’évaluer un apprentissage. Quelles sont les différentes stratégies d’évaluation des modèles ? Validation simple, croisée (K-fold), itérative, randomisée.
Effort : 0,3h Rythme : Auto-rythmé
FIDLE / CNRS
Exemple avancé 1 de classification
Intelligence Artificielle Exemple de classification
L’exemple GTSRB proposé à pour objectif de classer des panneaux de signalisation routière, issus du dataset GTSRB. Première partie : Préparation du dataset Le dataset GTSRB initial est composé de 50.000 fichiers images, dont les tailles et formats ne sont pas homogènes. Notre prmière étape est donc de générer des datasets facilement utilisables ("enhanced"). Au delà de la simple classification d’image via un CNN, cet exemple aborde différentes problématiques liées à l’utilisation d’un dataset "réel" (grand nombre de fichiers, images bruitées, etc.)
Effort : 0,5h Rythme : Auto-rythmé
FIDLE / CNRS
Exemple avancé 2 de classification
Intelligence Artificielle Exemple de classification
L’exemple GTSRB proposé à pour objectif de classer des panneaux de signalisation routière, issus du dataset GTSRB (50.000 fichiers images, dont les tailles et formats ne sont pas homogènes). Cet exemple est centré sur la classification et les stratégies d’améliorations Au delà de la simple classification d’image via un CNN, cet exemple aborde différentes problématiques liées à l’utilisation d’un dataset "réel" (grand nombre de fichiers, images bruitées, etc.)
Effort : 1,3h Rythme : Auto-rythmé
FIDLE / CNRS
MNIST: Classification basique via un CNN
Intelligence Artificielle Réseaux convolutif, classification
MNIST: Classification basique via un CNN llustration d’une classification d’image avec un CNN. Lorsque les données deviennent trop importantes, dans les cas des images mais pas seulement, les réseaux convolutifs sont incontournables ! Cet exemple, volontairement très simple, utilise le dataset MNIST.
Effort : 0,5h Rythme : Auto-rythmé