Intelligence Artificielle : 5 projets complets en Python
4.8 (51 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
218 students enrolled

Intelligence Artificielle : 5 projets complets en Python

Application de Machine Learning, Deep Learning pour réaliser des projets concrets d’Intelligence Artificielle en Python
4.8 (51 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
218 students enrolled
Price: $199.99
30-Day Money-Back Guarantee
This course includes
  • 8.5 hours on-demand video
  • 3 articles
  • 10 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
What you'll learn
  • Comprendre ce qui se cache derrière ce terme d'Intelligence Artificielle
  • Avoir un bagage suffisant en Deep Learning et Machine Learning pour réaliser d'autres projets d'IA
  • Créer une IA de détection de visage
  • Créer un classificateur d'images
  • Créer une IA de reconnaissance de chiffres manuscrits
  • Créer un détecteur de Spam
  • Créer une reconnaissance faciale
Requirements
  • Connaître un minimum du langage Python
Description

Le programme complet de la formation :


1. Création d’une IA de détection de visage : je vous explique comment adaBoost sélectionne les meilleures caractéristiques d’un visage parmi des milliers… je vous parle des classificateurs en cascade et des paramètres à prendre en considération pour affiner notre détection de visage. Puis vous mettrez les mains dans le code et vous développerez de A à Z une application qui échange 2 visages.


2. Création d’une IA de classification d’images : je vous parle de la classification d’images, du classificateur des k voisins les plus proches (Machine Learning), on évaluera comment régler au mieux les hyper paramètres correspondants.
Et surtout vous construirez cette IA permettant de classifier ces images et leur assigner une étiquette pour savoir ce qu’il y a sur cette image ! Vous travaillerez sur le dataset le plus utilisé dans le domaine de la classification pour entrainer votre IA.

3. Création d’une AI de reconnaissance d’écriture manuscrite : je vous explique en détail ce qu’est un réseau de neurones (Deep Learning), je vous parlerai de l’algorithme du Gradient et du concept de rétro-propagation.
Puis vous allez construire pas à pas chaque ligne de code permettant de construire un modèle de réseau de neurones, que vous allez entrainer pour améliorer la précision de celui-ci dans la reconnaissance des chiffres.


4. Création d’un détecteur de Spam : L’objectif de cette IA, c’est de détecter si un email est un spam ou non. On discutera de la classification de texte et plus particulièrement de l’algorithme Naïves Bayésienne puis des notions de Fréquence d’un Terme et Fréquence Inverse de Document (TF-IDF).
Enfin vous construirez pas à pas cette IA pour obtenir une précision de près de 99%.


5. Création d’une AI de reconnaissance faciale (qui permet de reconnaître la ou les personne(s) présente(s) sur une photo ou vidéo) : je vous parle de la réduction dimensionnelle et des 3 algorithmes de reconnaissance faciale à savoir le Principle Component Analysis (PCA), du Linear Discriminant Analysis (LDA) et du Local Binary Patterns (LBP). Puis vous testerez ces 3 algorithmes en réel avec la construction pas à pas de l’application de reconnaissance faciale.



Formation 50 % théorique 50 % pratique. Chaque concept clé de Machine Learning et/ou Deep Learning est décrypté précisément de façon intuitive (théorie) et appliqué dans des cas concrets d'Intelligence artificielle (pratique).

Who this course is for:
  • Développeurs intéressés par l'Intelligence artificielle
  • Toute personne voulant enrichir ses compétences avec du Deep Learning et du Machine Learning
  • Toute personne curieuse souhaitant mettre des concepts concrets sur un domaine abstrait qu'est l'Intelligence Artificielle
Course content
Expand all 73 lectures 08:18:10
+ Introduction
4 lectures 07:55
Installation Anaconda (version texte) + ouverture
00:15
Mise en place de l'environnement pour la formation d'IA (version texte)
00:09
+ Détecteur de visage
11 lectures 01:26:09
Les Caractéristiques
09:34
Sélectionner les meilleures caractéristiques avec Adaboost
07:00
Classificateur en cascade
06:37
Paramètre d'échelle
06:35
Paramètre du nombre minimum de voisins
07:43
Code: Encadrer et afficher des visages
10:50
Code: Détecter les yeux
05:33
Code: Extraction des visages d'une photo
10:52
Code: Echanger 2 visages
06:21
+ Classificateur d'images
16 lectures 01:56:54
Introduction au programme
01:32
Introduction au Machine Learning
03:34
Classification supervisée
06:39
Classification d'images
09:36
Classificateur du plus proche voisin
09:42
Classificateur des K plus proches voisins
11:06
Hyper paramètres
06:36
Validation croisée
05:30
Exploration du dataset
06:34
Code : Extraction du dataset
11:51
Code : Création classificateur du plus proche voisin (étape 1)
07:42
Code : Création classificateur du plus proche voisin (épisode 2)
10:10
Code : Création classificateur du plus proche voisin (étape 3)
10:52
Code : Application du classificateur des K plus proches voisins
06:08
Code : Variation des hyper paramètres
08:13
Conclusion
01:09
+ IA de reconnaissance d'écriture manuscrite
14 lectures 01:54:45
Introduction
01:16
Qu'est-ce qu'un neurone?
06:15
Le Perceptron
08:04
Un exemple de perceptron
11:38
Réseaux de neurones
10:10
Algorithme du Gradient
09:49
Algorithme de la rétro-propagation
08:30
Code : Dataset MNIST
06:49
Code : La couche d'entrée
05:57
Code : Construction du réseau de neurones
08:07
Code : Entrainement du réseau de neurones
07:52
Code : Sauvegarde du model dans un fichier
11:45
Code : Découverte des courbes dans TensorBoard
11:05
Code : Graphiques dans TensorBoard
07:28
+ Détecteur de Spam
13 lectures 01:12:52
Introduction
00:54
Classification de texte
05:46
Principe de Naïve Bayes
07:11
Exemple concret d'application
05:54
Naïve Bayes pour une séquence de mots
06:06
Représentation numérique du texte
04:24
Fréquence des termes et fréquence inverse des documents (tf-idf)
05:22
Introduction au dataset Enron
04:10
Code : Charger le dataset
06:00
Code : CountVectorizer
04:52
Code : TF-IDF
05:19
Code : Construction du classificateur Naïve Bayes
08:48
Code : Amélioration du code avec un Pipeline
08:06
+ Reconnaissance Faciale
14 lectures 01:39:10
Introduction
00:48
Qu'est ce que la reconnaissance faciale?
06:33
Réduction dimensionnelle
07:18
Principle Component Analysis (PCA)
06:18
Linear Discriminant Analysis (LDA)
07:16
Comparaison PCA et LDA
06:02
Local Binary Patterns (LBP)
07:03
Exploration dataset
04:45
Code : Charger le dataset
08:34
Code : Création de notre application de reconnaissance faciale
10:44
Code : Comparaison des 3 algorithmes de reconnaissance faciale
16:03
Code : Reconnaissance en temps réel via webcam
15:58
Test application
00:36
Conclusion
01:12