56 résultats sur 56 entrées
FIDLE / CNRS
Prédiction météorologique
Intelligence Artificielle RNN : Exemple de réseaux récurrents
Prédiction météorologique Un autre exemple d’utilisation d’un RNN, avec une tentative de prévision météorologique à 3h et à 12h, à partir de données réelles.
Effort : 0,5h Rythme : Auto-rythmé
FIDLE / CNRS
La controverse des neurones, Séquence 3
Intelligence Artificielle Outils pour l’IA : Réseaux multicouches et apprentissage machine
Le Deep Learning expliqué, en séquences courtes ! Le cycle complet comprend 9 séquences diffusées au fils de l’eau. Nous découvrirons dans cett vidéo comment fonctionnent ces réseaux multicouches et comment mettre en œuvre un processus d’apprentissage machine.
Effort : 0,6 Rythme : Auto-rythmé
FIDLE / CNRS
RNN : Réseaux récurrents
Intelligence Artificielle RNN : Réseaux récurrents, LSTM, GRU
RNN : Réseaux récurrents Les données séquentielles sont omniprésentes et les réseaux de neurones récurrents occupent une place privilégiées pour les traiter. Nous verrons dans cette première parties, les bases de ces réseaux récurrents et les principes des cellules LSTM ou GRU.
Effort : 0,5h Rythme : Auto-rythmé
FIDLE / CNRS
AE : Autoencodeur débruiteur
Intelligence Artificielle AE : Autoencodeur débruiteur
AE : Autoencodeur débruiteur Un premier exemple de réseau autoencodeur avec un débruiteur. Le dataset utilisé est MNIST.
Effort : 0,3h Rythme : Auto-rythmé
FIDLE / CNRS
Contexte et outils, séquence 1
Intelligence Artificielle Outils pour l’IA
Le Deep Learning expliqué, en séquences courtes ! Méthode scientifique et IA : Intelligence artificielle, machine learning et Deep Learning, quelles différences ? Apprentissage supervisé, non supervisé : les grandes familles du ML.Quels outils et comment faire du Deep Learning ?
Effort : 0,4h Rythme : Auto-rythmé
FIDLE / CNRS
Introduction au Deep Learning Session 1
Intelligence Artificielle Introduction au Deep Learning
Formation Introduction au Deep Learning (Fidle) - Séquence 01
Effort : 3h Rythme : Auto-rythmé
FIDLE / CNRS
CNN : Les Réseaux convolutif
Intelligence Artificielle Réseaux convolutif
CNN : Les Réseaux convolutif Lorsque les données deviennent trop importantes, dans les cas des images mais pas seulement, les réseaux convolutifs sont incontournables ! Principes et concepts des réseaux convolutifs. Convolutions et paramètres associés.
Effort : 0,5h 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
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
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
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
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
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
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
Introduction au Deep Learning Session 2
Intelligence Artificielle Introduction au Deep Learning
Formation Introduction au Deep Learning (Fidle) - Séquence 02
Effort : 2h Rythme : Auto-rythmé