Formation au deep learning avec Python (Keras / Tensorflow) - Traitement du langage avec GloVe

20 heures de formation au deep learning avec Python :

Dans ce cours, vous allez découvrir et approfondir les différents aspects liés à l'apprentissage automatique avec Python. Nous utiliserons les librairies telles que Tensorflow, Keras, Pandas, Numpy, Scikit learn, ...

Les travaux sont accessibles et exploitables en ligne grâce à l'utilisation des carnets Jupyter avec Google Colab. Aucune installation de logiciel spécifique sur son ordinateur n'est requise car tout le travail se fait en ligne.

A chaque étape d'apprentissage de ce cours, de nouveaux modèles sont introduits. Des explications claires permettent de bien les comprendre à travers 6 thèmes d'étude :

Structure de base d'un réseau de neurones
Reconnaissance d'image avec un réseau de neurones à convolution 2D
Traitement d'image avec un réseau de neurones profond à convolution 2D
Systèmes de recommandations et d'analyse des ressentis
Détection d'anomalies dans les données
Analyse et prédiction sur les séries temporelles

Les activités en Python expliquent clairement comment les exploiter. Des exercices sont régulièrement proposés pour consolider votre apprentissage.

D'une durée totale de 19,5 heures, ce cours vous permettra d'être à l'aise avec les outils actuels du Deep Learning. Vous serez alors capable d'utiliser ces ressources pour créer vos propres projets et d'approfondir avec sérénité et en autonomie vos connaissances dans ce domaine.

=== Prérequis ===

Vous n'avez pas besoin d'être un spécialiste du langage Python. En effet, au fur et à mesure de votre progression, vous manierez ce langage et découvrirez les subtilités liées à son utilisation.

Si vous êtes complètement débutant en Deep Learning, alors ce cours est fait pour vous. Ce cours est structuré de manière progressive pour acquérir petit à petit les bases du deep learning. Chaque thème d'étude vous permettra d'améliorer vos compétences et de devenir de plus en plus autonome dans ce domaine.

Si vous avez déjà une expérience en Deep Learning, vous découvrirez certainement de nouveaux thèmes d'étude qui vous permettront d'élargir vos compétences.

Dans le e-commerce, les tentatives de fraudes avec des coordonnées bancaire piratées sont courantes. Lorsqu’un incident de ce genre arrive, l’entreprise perd de l’argent et doit traiter des réclamations supplémentaires. La perte est évidente. Pour remédier à ce problème, il existe des techniques de machine learning pour la détection de fraudes.

C'est l'exemple que nous étudierons, pour détecter des fraudes lors d'achats effectués au moyen d'une carte bancaire.

#6. Analyse et prédiction sur les séries temporelles

Quand on veut prédire ou juste analyser l’évolution d’une certaine quantité dans le temps, (le cours de la bourse par exemple) on est très vite confronté un type de données assez particulier : Les séries temporelles.

L’importance des séries temporelles vient de son omniprésence. En effet, dans presque tous les domaines on les retrouve. Que ce soit en finance, en marketing, en traitement du signal, en physiques, etc...

C'est pourquoi j'ai consacré une partie conséquente de ma formation au séries temporelles. En particulier, nous ferons une prédiction sur une série réelle portant sur la prévision de l'ensoleillement de la ville de Bâle à partir des données de Météo France. A cette occasion, nous mettrons en place un serveur dédié dans le Cloud d'Amazon AWS et de Google afin d'augmenter la puissance de calcul.