56 résultats sur 56 entrées
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
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
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
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
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
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
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
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
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
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
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
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
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 : 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
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