Deep Learning
Simulation de l'esprit humain dans la pensée
12h 40min64 leçons5 sections
Ce que vous apprendrez
- Comprendre les bases de l'apprentissage profond
- Apprendre à mettre en œuvre des réseaux neuronaux
- Appliquer l'apprentissage en vision par ordinateur
- Gérer des projets avec TensorFlow
- Concevoir des modèles avancés comme RNN
- Acquérir des compétences en traitement du langage naturel
À propos du cours
Maîtrisez l'apprentissage profond depuis le début dans ce cours complet. Il couvre les fondamentaux des réseaux neuronaux, les concepts d'apprentissage profond et comment construire des modèles efficaces avec des outils comme TensorFlow. Vous explorerez diverses applications pratiques, y compris les réseaux neuronaux profonds, les réseaux récurrents et les modèles prédictifs. Le cours comprend des projets pratiques et du code expliqué pour vous aider à appliquer l'apprentissage profond de manière pratique.
Résultats attendus
- Maîtrisez l'utilisation des réseaux neuronaux pour construire des modèles d'apprentissage profond efficaces.
- Analysez les données et appliquez l'apprentissage profond pour résoudre des problèmes complexes.
- Concevez et mettez en œuvre de vrais projets en utilisant des outils d'apprentissage profond avancés.
- Comprenez comment optimiser les performances des modèles en utilisant des techniques avancées.
- Préparez-vous à entrer dans le domaine de l'intelligence artificielle et de l'apprentissage profond en tant que professionnel.
Contenu du cours
1Fondamentaux de l'apprentissage profond et des réseaux neuronaux
31 leçons
- Introduction1:56
- Réseau de neurones8:13
- Apprentissage supervisé et réseaux de neurones7:52
- Classification binaire13:55
- Charger la liste des symboles
- Algorithme de régression logistique8:51
- Fonction de coût11:43
- Calculer les valeurs des variables14:00
- Calcul13:34
- Graphique computationnel6:23
- Graphique computationnel pour le calcul des dérivées15:24
- Calcul des dérivées pour l'application de l'algorithme12:51
- Calcul des dérivées pour plusieurs exemples10:34
- Comprendre les directions15:59
- Charger un exemple pratique
- Utiliser les directions dans l'algorithme de régression linéaire14:45
- Distribution en Python14:29
- Charger un exemple pratique
- Introduction au réseau de neurones creux11:08
- Représentation du réseau de neurones creux et calcul de la sortie17:30
- Calcul de la sortie pour plusieurs exemples10:25
- Fonction d'activation11:23
- Calcul pour les fonctions d'activation15:58
- Chargement du format de fonction
- Mise en œuvre de la descente de gradient pour le réseau de neurones creux18:27
- Introduction aux réseaux de neurones profonds11:19
- Propagation avant dans les réseaux de neurones profonds13:52
- Comment calculer les dimensions de la matrice22:52
- Composants essentiels pour la mise en œuvre des réseaux de neurones profonds14:14
- Mise en œuvre des composants essentiels pour le calcul de la descente de gradient11:22
- Hyperparamètres4:44
2Développement de réseaux neuronaux profonds et formation de modèles
6 leçons
- Bibliothèques utilisées pour le développement7:08
- Exemple pratique d'utilisation de la bibliothèque Keras pour la prédiction11:12
- Première application pratique26:35
- Chargement du fichier de données
- Exemple pratique d'utilisation de la bibliothèque Keras pour la classification13:51
- Deuxième application pratique35:06
3Utilisation de TensorFlow
9 leçons
- Introduction à TensorFlow16:13
- Fondamentaux Partie Un9:04
- Fondamentaux Partie Deux17:50
- Fondamentaux Partie Trois9:00
- Application sur la prédiction Partie Un21:33
- Application sur la prédiction Partie Deux26:13
- Télécharger le fichier de données
- Application sur la classification Partie Un32:22
- Application sur la classification Partie Deux24:28
4Réseau de neurones convolutionnel
8 leçons
- Introduction aux réseaux de neurones convolutifs7:54
- Principes de base5:46
- Architecture des réseaux de neurones convolutifs18:26
- Application pratique utilisant la méthode traditionnelle partie un27:20
- Application pratique utilisant la méthode traditionnelle partie deux14:01
- Télécharger l'application
- Application pratique sur le réseau de neurones convolutif29:50
- Télécharger l'application
5Construction de différents modèles pour l'apprentissage profond
10 leçons
- Introduction à la construction de différents modèles pour l'apprentissage profond4:45
- Données de séries temporelles3:06
- Réseau de neurones récurrent6:48
- Modèle LSTM6:45
- Application pratique des bases du modèle LSTM23:14
- Télécharger l'application
- Introduction aux nouveaux Autoencodeurs5:20
- Architecture des Autoencodeurs4:02
- Application pratique sur les Autoencodeurs19:13
- Télécharger l'application
Formateur
Ing. Amr Abdel Fattah
6,563 étudiants20 cours
Ce cours fait partie du diplôme
