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
AE : Réseaux Autoencodeurs
Intelligence Artificielle AE : Réseaux Autoencodeurs
AE : Réseaux autoencodeurs Les autoencodeurs sont un bon exemple d’apprentissage non supervisé. Après une présentation des concepts et des couches convolutives (normales et transposées), nous nous intéresserons a la manière d’implémenter efficacement des modèles avancés avec l’API fonctionnelle de Keras.
Effort : 0,6h Rythme : Auto-rythmé
FIDLE / CNRS
De la régression linéaire au neurone artificiel, Séquence 2
Intelligence Artificielle Outils pour l’IA : Regresseion et Neurone artificiel
Le Deep Learning expliqué, en séquences courtes ! Comprendre la régression linéaire et la régression logistique pour comprendre ce qu’est un neurone artificiel ! Dans cette vidéo, nous découvrirons ce qu’est un neurone artificiel, quels sont les grands principes de la descente de gradient et les limites des solveurs linéaires ou des réseaux à 1 neurone 😉
Effort : 0,4h Rythme : Auto-rythmé
FIDLE / CNRS
Prédiction simple d’une trajectoire
Intelligence Artificielle RNN : Exemple de réseaux récurrents
Exemple de prédiction simple d’une trajectoire Notre premier exemple d’utilisation d’un RNN va consister à essayer de prédire la trajectoire d’une coccinelle... virtuelle !
Effort : 0,5h Rythme : Auto-rythmé
FIDLE / CNRS
AE : Modèles avancés
Intelligence Artificielle AE : Modèles avancés d’autoencodeur
AE : Modèles avancés Implémentation de modèles avancés à double sorties et inception. L’objectif est de renforcer notre classifieur grâce à un apprentissage convolutif parallèle et différencié.
Effort : 0,6h Rythme : Auto-rythmé
FIDLE / CNRS
VAE : Variational Autoencoder
Intelligence Artificielle VAE : Variational Autoencode
VAE : Variational Autoencoder Du réseau autoencodeur (AE) au Variational Autoencoder (VAE)ou comment parcourir l’imagination de nos réseaux. Au programme : Principes et architecture d’un Variational Autoencoder (VAE).Problématiques liées à la gestion de "gros" datasets.Projection gaussienne - Génération de données - Morphing dans l’espace latent.Programmation avancée avec Keras - Datasets clusterisés.
Effort : 0,3h Rythme : Auto-rythmé
FIDLE / CNRS
VAE : Implémentation d’un VAE
Intelligence Artificielle VAE : Implémentation d’un VAE
VAE : Implémentation d’un VAE (MNIST) Double exemple d’implémentation d’un Variational Autoencoder (VAE), en utilisant : - L’API fonctionnelle de Keras - L’utilisation d’une classe VAE, construite sur Keras Ces deux exemples sont illustrés avec le Dataset MNIST.
Effort : 0,6h Rythme : Auto-rythmé
FIDLE / CNRS
Régression et Classification avec un DNN
Intelligence Artificielle Outils pour l’IA :Régression et classification
Le Deep Learning expliqué, en séquences courtes ! Le cycle complet comprend 9 séquences diffusées au fils de l’eau. Deux exemples de mise en œuvre avec une régression et une classification à l’aide de réseaux entièrement connectés (DNN). L’exemple de régression à pour objectif de prédire le prix d’une habitation à partir de caractéristiques du quartier (dataset Boston House Dataset)
Effort : 1h Rythme : Auto-rythmé