Cours sur l'IA et l'apprentissage automatique
Traduit par
ScribdTranslationsCours sur l'IA et l'apprentissage automatique
Traduit par
ScribdTranslationsIA et apprentissage automatique
Course Content
Python de base
▪ Dans cette section, nous examinerons la programmation Python et son
mise en œuvre
▪ Des sujets comme le type de données, la boucle, si-alors, les fonctions, l'exception
La gestion, la POO seront couvertes
2. Prétraitement et analyse des données
▪ Dans cette section, nous allons comprendre les statistiques et les données.
techniques de prétraitement pour extraire des connaissances à partir de données brutes
▪ C'est une étape très importante dans tout projet d'apprentissage automatique, nous allons
apprendre sur la collecte de données, le scraping de données, l'exploration de données, exploratoire
analyse de données
▪ Les bibliothèques utilisées dans cette section sont numpy, pandas, scipy, requests,
soupe belle, expression régulière, sklearn, nltk
3. Data Visualization
▪ La visualisation est la représentation graphique de votre analyse pour
comprendre les données mieux et nous aider à explorer plus de détails qui sont
pas possible d'obtenir autrement.
▪ Nous créerons et comprendrons divers graphiques dans cette section, comme des barres.
caractère, graphique de régression, graphique linéaire, histogrammes, diagrammes en boîte, diagrammes en violon
cartes, graphiques, etc.
▪ Les bibliothèques utilisées sont matplotlib, seaborn, folium
4. Algorithmes d'apprentissage automatique
▪ Dans cette section, nous allons comprendre les éléments de base de la machine.
apprentissage tel que les mathématiques, les algorithmes et les techniques de programmation utilisées
dans un projet de ml.
▪ Nous aborderons les techniques d'apprentissage supervisé et non supervisé.
couvrant tous les principaux algorithmes
▪ Les algorithmes abordés dans cette section sont la régression et la classification.
(naïve bays, arbre de décision, régression logistique, k-plus proches voisins
(knn), machines à vecteurs de support, etc.), Clustering (K-means,
DBSCAN
5. Techniques et algorithmes d'apprentissage profond
▪ Dans cette section, nous allons apprendre sur les réseaux de neurones tels que les ANN,
CNN, rétropropagation, fonctions d'activation, validation croisée, etc.
▪ Nous couvrirons les algorithmes d'apprentissage profond pour exécuter des tâches sophistiquées.
tâches qui sont extrêmement difficiles à mettre en œuvre avec l'apprentissage automatique
techniques.
▪ Bibliothèques couvertes : pandas, numpy, scipy, matplotlib, tensorflow,
keras
6. Vision par ordinateur
▪ La vision par ordinateur est liée au traitement d'images
▪ Dans cette section, nous allons apprendre à extraire des informations d'une image et
appliquer des techniques d'apprentissage profond pour réaliser des projets intéressants
▪ Bibliothèques couvertes : OpenCV, Pillow
Outils et Modules
▪ Python
▪ Anaconda Jupyter
▪ Vscode
▪ Numpy
▪ Pandas
▪ Matplotlib
▪ Seaborn
▪ Sklearn
▪ Tensorflow
▪ OpenCv
▪ Demandes
▪ BeautifulSoup
▪ re
Projets d'apprentissage automatique
Système de recommandation de films basé sur les genres et les critiques
Description: In this project recommendation algorithm is used which is used
recommander des films en se basant sur les données passées des utilisateurs comme c'est le cas sur Netflix,
prime etc.
Technology Used: Core Python, Numpy, Pandas, Matplotlib, Seaborn,
Apprentissage automatique supervisé (KNN) et non supervisé (K moyennes).
2. Classificateur de Mail Spam ou Non Spam
Description: In this project we will classify mails into ham and spam mails
utilisant un algorithme d'apprentissage automatique avec l'hypothèse que les mots sont
indépendants les uns des autres.
Technologie utilisée : Python de base, Numpy, Pandas, Matplotlib, seaborn, NLP
et les algorithmes Naïve Bayes.
3. Projet de classification des chiffres MNIST
Description:In this project you will learn how to classify images on basis of
Chiens. Vous apprenez à séparer les images sur la base des chiffres de 0 à 9.
Technologie utilisée : Core Python, Numpy, Pandas, Matplotlib, seaborn
OpenCV, tensorflow.
4. Analyse sentimentale sur les données en direct de Twitter
Description : Dans ce projet, une analyse sentimentale est réalisée sur des tweets pour déterminer si
Les tweets sont positifs ou négatifs.
Technologies utilisées : Core Python, Numpy, Pandas, Matplotlib, seaborn, nltk
tweepy.
5. Projet de Détection de Fraude par Carte de Crédit
Description : De nos jours, il y a de nombreux cas de fraude par carte de crédit. Donc dans ceci
dans ce projet, vous apprendrez à détecter si la carte de crédit est frauduleuse ou non
prévenir d'autres abus.
Technologie utilisée : Python de base, Numpy, Pandas, Matplotlib, seaborn
plotly, Algorithme de Classification (Logistique).
6. Classificateur d'images
Description: In this project you will learn how to classify images as dirty or
nettoyer en utilisant le modèle.
Technologie utilisée : Core Python, Numpy, Pandas, Matplotlib, seaborn
Algorithme de classification (Logistique).
7. Détection d'objets et reconnaissance faciale
Description: In this project you will learn how to detect objects from images
et dans la reconnaissance faciale, vous apprendrez à reconnaître les visages. C'est une technologie
capable d'identifier ou de vérifier une personne à partir d'une image numérique ou d'une vidéo
image d'une source vidéo
Technologie utilisée : Core Python, Numpy, Pandas, Matplotlib, seaborn
OpenCV, tensorflow.
Extraction de texte à partir d'image
Description : Parfois, nous voulons du texte à partir d'images, donc dans ce projet nous allons
apprendre à extraire du texte des images.
Technologie utilisée : Python de base, Numpy, OpenCV, Tesseract.
9. Regroupement des lieux en fonction de la similarité
Description: We will Find venue in different regions and compare their
évaluations, popularité et autres éléments pour regrouper les endroits les plus significatifs à ouvrir
business based on venues.
Technology Used: Core Python, libraries of python -> numpy, pandas,
requests, Beautiful Soup, Matplotlib, Folium, sklearn, Clustering Algorithms