Machine Learning : introduction aux Auto-encodeurs
Video: .mp4 (1280x720, 30 fps(r)) | Audio: aac, 44100 Hz, 2ch | Size: 658 MB
Genre: eLearning Video | Duration: 12 lectures (2 hour, 8 mins) | Language: Français
Auto-encodeurs et Auto-encodeurs variationnels en partant de zéro
Video: .mp4 (1280x720, 30 fps(r)) | Audio: aac, 44100 Hz, 2ch | Size: 658 MB
Genre: eLearning Video | Duration: 12 lectures (2 hour, 8 mins) | Language: Français
Auto-encodeurs et Auto-encodeurs variationnels en partant de zéro
What you'll learn
Une explication intuitive des Auto-encodeurs
L'implémentation d'Auto-encodeurs en utilisant Python (et PyTorch)
Les applications et opportunités qu'offrent les Auto-encodeurs (variationnels)
Ce que sont les Auto-encodeurs variationnels via l'article "Auto-Encoding Variational Bayes"
L'exploration de l'espace latent
Concepts de Machine Learning et de Deep Learning dont l'entraînement non supervisé et les modèles génératifs
Course content
3 sections • 12 lectures • 2h 8m total length
Requirements
Connaissances basiques en programmation
Connaissances (très) basiques en optimisation (descente de gradient)
Description
Dans un monde où les données sont de plus en plus accessibles, les algorithmes se nourrissant de données non labellisées deviennent de plus en plus efficaces et rentables. Les entreprises qui comprennent cela auront bientôt un avantage compétitif sur celles qui tardent à prendre le train de l'intelligence artificielle. Les développeurs qui ont des compétences en Machine Learning et en Deep Learning sont donc de plus en plus demandés et possèdent de l'or entre les mains.
Dans ce cours, nous allons voir comment tirer parti d'un jeu de données brut, ne possédant pas de labels. Particulièrement, nous allons nous focaliser exclusivement sur les Auto-encodeurs et les Auto-encodeurs variationnels et allons voir, comment ces modèles peuvent être entraînés de manière non supervisée, les rendant particulièrement attractif dans l'ère du Big Data.
Ce cours, enseigné en utilisant le langage de programmation Python, requiert des connaissances de base en programmation. Si vous n'avez pas les bases requises, je vous recommande de vous mettre à jour en suivant un cours accéléré de programmation. De plus, il est préférable d'avoir des connaissances basiques en optimisation (nous utiliserons l'optimisation par gradient).
Concepts abordés :
Les Auto-encodeurs et leurs implémentations en Python
Les Auto-encodeurs variationnels et leurs implémentations
Le Machine Learning non supervisé
Les modèles génératifs
PyTorch par la pratique
L'implémentation d'un article scientifique (Auto-Encoding Variational Bayes)
N'attendez plus avant de vous lancer dans le monde du Machine Learning non supervisé!
Who this course is for:
À ceux qui s'intéressent aux Auto-encodeurs
À ceux qui sont intéressés par l'intelligence artificielle
À ceux qui veulent se préparer à la révolution de l'intelligence artificielle