Le Deep Learning de A à Z

Apprenez à créer des algorithmes de Deep Learning en Python

par des experts en Machine Learning & Data science.
https://www.udemy.com/le-deep-learning-de-a-a-z/?deal_code=korben-mar18&utm_source=direct-
buy-
intl&utm_medium=udemyads&utm_term=&utm_content=_._pn__._ci_1463052_._sl_FRA_._la_F
R_._ld_10299_._pt_AR_._&utm_campaign=FRA-Korben-Article-14Mar18

Que vais-je apprendre ?

Comprendre l'intuition derrière les réseaux de neurones artificiels
Comprendre l'intuition derrière les réseaux de neurones à convolution
Comprendre l'intuition derrière les réseaux de neurones récurrents
Comprendre l'intuition derrière les cartes auto adaptives
Comprendre l'intuition derrière les machines de Boltzmann
Comprendre l'intuition derrière les auto encodeurs
Appliquer les réseaux de neurones artificiels en pratique
Appliquer les réseaux de neurones à convolution en pratique
Appliquer les réseaux de neurones récurrents en pratique
Appliquer les cartes auto adaptives en pratique
Appliquer les machines de Boltzmann en pratique
Appliquer les auto encodeurs en pratique

Exigences
• Seulement un niveau mathématique de niveau lycée

Description
Le domaine de l'intelligence artificielle est en pleine croissance. Entre les voitures
autonomes qui ont déjà roulé des millions de kilomètres, IBM Watson qui produit de
meilleurs diagnostics que des armées de médecins, ou le robot Alpha Go de l'équipe
Deepmind de Google qui bat le champion du monde de Go, il n'y a plus de doute sur
l'explosion de ce nouveau domaine.

Mais plus le domaine de l'IA progresse, plus les problèmes qu'on cherche à résoudre sont
compliqués. Seul le Deep Learning peut résoudre des problèmes aussi complexes, ce qui
explique pourquoi on le retrouve au cœur des recherches en intelligence artificielle.

--- Pourquoi Deep Learning de A à Z ? ---

Il y a cinq raisons qui font que le cours Deep Learning de A à Z est différent et sort du lot en
comparaison des autres cours qu'on peut trouver ici et là :

1. STRUCTURE ROBUSTE
La chose la plus importante sur laquelle nous nous sommes concentrés est de donner au
cours une structure robuste. Le Deep Learning est un domaine très large et complexe, ce
qui le rend difficile à approcher.

C'est pourquoi nous avons regroupés les leçons en deux grosses parties, représentant les
deux branches fondamentales du Deep Learning : Le Deep Learning supervisé et le Deep
Learning non supervisé. Ensuite, chaque partie est divisée en trois algorithmes distincts.
Nous avons déterminé qu'il s'agissait de la meilleure structure pour apprendre le Deep
Learning.

2. LEÇONS INTUITIVES

La plupart des cours et livres commencent directement par la théorie, puis des maths, puis
du code... Sauf qu'ils oublient d'expliquer ce qui est peut-être le plus important : pourquoi
vous faites ce que vous faites. Pas dans Deep Learning de A à Z. On se focalise d'abord
sur l'intuition des concepts derrières les algorithmes.

Grâce à ces leçons intuitives, vous arriverez beaucoup plus facilement à comprendre les
techniques. Par la suite, lorsque vous passerez aux leçons plus orientées pratique avec du
code, vous visualiserez aisément chaque étape des algorithmes et surtout pourquoi vous
devez exécuter chaque étape.

3. PROJETS PASSIONNANTS

N'en avez-vous pas marre de retrouver tout le temps les mêmes jeux de données
constamment dans tous les cours ?

Ça en devient lassant.

C'est pourquoi dans ce cours nous avons choisi d'utiliser des jeux de données réels et de
résoudre de vrais problèmes réels. (Pas comme les données de fleurs d'iris ou le super
classique exemple de classification de chiffre comme on voit partout). Dans ce cours, on va
résoudre six problèmes :

•Comment prédire le départ d'un client grâce aux Réseaux de Neurones Artificiels.
•Comment reconnaître des images grâce aux Réseaux de Neurones à Convolution.
•Comment prédire le prix d'une action grâce aux Réseaux de Neurones Récurrents.
•Comment réaliser une enquête de fraude grâce aux Cartes Auto Adaptives.
•Comment créer un système de recommandation grâce aux Machines de Boltzmann.
•Comment gagner le prix Netflix de 1 million de $ grâce aux auto encodeurs empilés*.
*Les auto-encodeurs sont une technique de Deep Learning très récente qui n'existait pas il
y a quelques années encore. Cette méthode n'est jamais expliquée suffisamment en détail.

4. EXERCICES DE CODE

Dans Deep Learning de A à Z, on code avec vous. Chaque leçon pratique démarre avec une
page blanche, et ensemble on progresse ligne par ligne afin que vous puissiez suivre et
comprendre chaque étape du code.

De plus, le code est structuré de telle manière que vous pouvez facilement le télécharger et
l'appliquer directement sur vos propres projets. Nous vous expliquons comment vous
pouvez changer le code pour l'adapter à VOS données, ou comment optimiser les
algorithmes pour vos besoins afin que vous obteniez les résultats que vous recherchez.
Ce cours a donc une application directe pour votre carrière professionnelle.

5. SOUTIEN DIRECT

Avez-vous déjà suivi un cours ou lu un livre où vous avez des tonnes de questions... qui
restent sans réponse ?

Eh bien ce n'est pas le cas de cours. Nous nous engageons à faire de ce cours le meilleur
cours de Deep Learning sur la planète. Avec cet engagement vient la responsabilité d'être là
constamment pour vous quand vous avez besoin d'aide.

Comme nous avons aussi une vie et des clients, une équipe de Data Scientists professionels
est là pour vous aider. Posez une question, et vous obtiendrez une réponse dans les 48
heures maximum, peu importe la complexité de votre problème.

Nous sommes là pour assurer votre succès et votre réussite.

--- Les outils ---

Tensorflow et PyTorch sont les outils open-source les plus utilisés en Deep Learning. Dans
ce cours, vous apprendrez à utiliser les deux !

Tensorflow a été développé par Google et est utilisé par exemple dans leur système de
reconnaissance vocale, dans Google Photos, Gmail, Google Search, et dans pas mal d'autres
applications. De nombreuses entreprises utilisent Tensorflow, comme AirBnB, Airbus, eBay,
Intel, Uber, et des centaines d'autres.

PyTorch est tout aussi puissant et a été développé par des chercheurs chez Nvidia et dans
les universités de Stanford, Oxford, et ParisTech. Des entreprises comme Twitter, Saleforce
ou Facebook utilisent PyTorch.

Alors, lequel est meilleur et pourquoi ?

Dans ce cours, vous apprendrez justement à utiliser les deux et donc dans quelles
situations Tensorflow ou PyTorch est plus adapté. Au fur et à mesure des leçons, nous
allons comparer les deux et vous donnez des astuces et idées pour retenir quand les
utiliser.

Ces outils sont encore très récents et ont été créé il y a tout juste deux ans. C'est de ça dont
on parle quand on vous dit que ce cours utilise les outils de Deep Learning les plus à la
pointe de la technologie !

--- Encore plus d'outils ---

Theano est un autre outil open-source pour le Deep Learning. Il est similar à Tensorflow
dans son usage, mais nous en parlerons tout de même.

Keras est une librairie qui permet d'implémenter les modèles de Deep Learning. Elle
regroupe à la fois Theano et Tensorflow et permet en juste quelques lignes de code de
créer des modèles puissants et complexes de Deep Learning. C'est ce qui vous permettra
d'avoir une vision globale de ce que vous créez. Le code que vous produirez sera clair et
structuré grâce à cette librairie, ce qui vous permettra d'avoir une bonne intuition et une
excellente compréhension de ce que vous faites.

--- Plus plus plus d'outils ! ---

Scikit-learn est la librairie de Machine Learning par excellence. On l'utilisera :

•pour évaluer la performence de nos modèles avec la meilleure technique : la validation

croisée à k couches (k-fold cross validation).
•pour améliorer nos modèles en optisimant les paramètres.
•pour préparer nos données afin que nos modèles puissent apprendre dans les meilleures
conditions.
Évidemment, n'oublions pas de nommer Python, qui est l'outil sur lequel ce cours est basé.
Chaque section vous donnera des heures et des heures de pratique dans ce langage.

De plus, ce cours utilise Numpy pour réaliser les calculs mathématiques et manipuler des
tableaux multidimensionnels, ainsi que Matplotlib pour tracer des graphes et visualiser nos
résultats, puis Pandas pour importer et manipuler les jeux de données de manière efficace.

--- À qui s'adresse ce cours ? ---

Comme vous avez pu le remarquer, il y a de nombreux outils dans le monde du Deep

Learning. Dans ce cours, nous avons tenu à vous montrer les plus importants de manière
progressive de telle manière à ce que vos connaissances en Deep Learning soient à la
pointe à la fin du cours.

Si vous êtes complètement débutant en Deep Learning, alors vous trouverez ce cours
particulièrement utile. Deep Learning de A à Z est stucturé de telle manière que vous ne
vous retrouverez pas coincé par du code non nécessaire ou des complexités
mathématiques absurdes. L'idée est de commencer à appliquer les techniques de Deep
Learning au plus vite dans le cours et d'apprendre rapidement à partir de zéro. Chaque
leçon vous rendra peu à peu plus confiant dans vos capacités.

Si vous avez déjà une expérience en Deep Learning, alors vous trouverez dans ce cours
des rappels inspirants et très orientés pratique. Grâce à Deep Learning de A à Z, vous
maîtriserez les algorithmes de pointe (dont certains n'existaient même pas encore il y a
deux ans) et acquérerez une expérience pratique sur des challenges issus du monde réel.
Les applications vous donneront de l'inspiration pour explorer plus avant vos compétences
en Deep Learning.

--- Études de cas du monde réel ---

Maîtriser les techniques de Deep Learning ne consiste pas juste en connaître l'intuition et
les outils. Il s'agit aussi d'être capable d'appliquer ce que vous apprenez sur des situations
réels afin d'en sortir des résultats mesurables et utiles. C'est pourquoi ce cours vous
guidera au travers de six challenges passionnants :

#1 Prédiction du départ d'un client

Dans cette partie, nous vous présenterons des données provenant de la base de données
d'une banque souhaitant prédire si un client lui restera fidèle dans les six prochains mois
ou non. Les données consistent en un identifiant, le score de crédit, le sexe, l'âge, si le client
a une carte de crédit, etc. Pendant six mois, la banque a accumulé des données sur ces
clients.

À présent, votre objectif est de créer un réseau de neurones artificiel qui peut prédire, grâce
aux données démographiques, géographiques et transactionnelles fournies, si un client
quittera la banque ou non. Dans ce problème, votre employeur vous a aussi demandé
d'établir un classement entre les clients pour savoir lesquels ont la plus grande probabilité
de partir. Pour répondre à ce problème, vous utiliserez un modèle de Deep Learning qui est
basé sur une approche probabilistique.

Si vous arrivez au bout de ce projet, vous permettrez à la banque d'adapter directement ses
offres pour les clients qui risquent de partir. Grâce à votre modèle de Deep Learning, la
banque pourra donc réduire ses départs de clients.

#2 Reconnaissance d'image

Dans cette partie, vous créerez un réseau de neurones à convolution qui est capable de
détecter des objets dans une image. Nous utiliserons un modèle de Deep Learning capable
de reconnaître un chat d'un chien. Au-delà de cette problématique, ce modèle sera capable
de se généraliser et de détecter n'importe quel objet (nous vous montrerons comment)
simplement en changeant les images qu'on lui donne en entrée.

Par exemple, vous pourrez ré-utiliser le modèle sur un ensemble d'images de cerveau pour
détecter si l'image contient une tumeur ou non. Mais si vous préférez rester sur les petits
chats et les petits chiens, alors vous pourrez vous amuser à prendre une photo de votre
petit animal préféré et votre modèle arrivera à prédire s'il s'agit d'un chien ou d'un chat.
Nous l'avons nous-mêmes testé !

#3 Prédiction du prix d'une action

Dans cette partie, vous créerez l'un des modèles de Deep Learning les plus puissants. En
fait, il s'agit du modèle le plus proche de l'intelligence artificielle. Pourquoi ? Parce que ce
modèle a une mémoire à long terme, exactement comme nous les êtres humains.

Cette branche du Deep Learning comprend les réseaux de neurones récurrents. Les RNNs
classiques ont une mémoire à court terme et n'ont jamais été très populaires à cause de ça.
Mais récemment des améliorations dans les réseaux de neurones récurrents ont donné
naissance aux LSTMs (RNNs à large mémoire court-terme) qui ont complètement changé la
donne.

Ainsi, vous apprendrez à implémenter ce modèle très puissant au travers d'un challenge
consistant à prédire le prix réel de l'action Google. Des chercheurs de l'université de
Stanford ont travaillé sur ce challenge aussi et nous essaierons de faire aussi bien qu'eux.

#4 Détection de fraude

Une étude récente de Markets & Markets a estimé que le marché de détection et
prévention de la fraude atteindrai 33,19 milliards de $ en 2021. C'est une industrie énorme
et la demande en compétences avancées de Deep Learning ne peut que continuer à
croître.

Le challenge sera de détecter les cas de fraudes dans les demandes de cartes de crédit.
Vous créerez un modèle de Deep Learning pour une banque à partir d'un jeu de données
contenant des informations sur les clients demandant une carte de crédit spéciale.

Ces donnéens client vous permettront de détecter une fraude potentielle dans les
demandes. À la fin du challenge, vous serez capable de sortir une liste explicite de clients
qui ont potentiellement triché en remplissant leurs formulaires de demande.

#5 & 6 Systèmes de recommandation

Entre les suggestions de produits Amazon et les recommandations de films de Netflix, on
voit de plus en plus de systèmes de recommandation fleurir un peu partout. Les
spécialistes qui les créent font partie des Data Scientists les mieux payés de la planète.

Nous travaillerons sur un jeu de données qui a exactement les mêmes caractéristiques que
les données Netflix : une tonne de films, des milliers d'utilisateurs, et les notes qu'ils
donnent sur les films qu'ils ont regardés. Les notes vont de 1 à 5, exactement comme dans
la compétition Netflix, ce qui rend le système de recommandation plus complexe que de
simplement dire si l'utilisateur a "aimé" ou "pas aimé" le film.

Votre système de recommandation sera capable de prédire les notes des films que les
utilisateurs n'ont pas encore regardé. En classant les prédictions de 5 à 1, votre modèle de
Deep Learning pourra ensuite recommender les films que chaque utilisateur sera le plus
susceptible d'aimer. Créer un tel système de recommandation est un énorme challenge
alors on le fera en deux essais, c'est-à-dire qu'on testera deux types de modèles de Deep
Learning.

Le premier modèle consiste en une machine de Boltzmann profonde et sera abordé dans le
chapitre 5. En second modèle, on utilisera les auto-encodeurs. Les deux sont simples à
comprendre, ce qui ne déduit rien de leur capacité.

Ensuite vous pourrez directement appliquer votre système sur vous-même ou vos amis. La
liste de films sera suffisamment complète pour que vous notiez les films que vous avez
regardés, et il ne restera qu'à faire tourner le modèle pour savoir quel film regarder !
Votre système de recommandation sera la solution aux soirées où n'arrive pas à se décider
à quoi regarder, et il continuera d'apprendre si vous lui dites si la recommandation lui a plu.

--- En résumé ---

Ce cours est rempli de leçons intuitives et d'exercices pratiques pour s'exercer en situation
réelle.

Nous avons voulu rendre ce cours le meilleur possible et nous sommes particulièrement
enthousiastes à l'idée de le partager avec vous et vous voir progresser dans ce merveilleux
monde du Deep Learning.

Kirill, Hadelin & Charles

Quel est le public ciblé ?

•Quiconque étant intéressé par le Deep Learning
•Les étudiants ayant un niveau lycée de mathématiques désirant apprendre le Deep
Learning
•Les personnes connaissant les bases de Machine Learning ou de Deep Learning (les algos
classiques comme la régression linéaire, la régression logistique et des sujets plus avancés
comme les réseaux de neurones artificiels), mais désirant explorer plus avant le domaine
du Deep Learning
•Quiconque n'étant pas à l'aise avec le code mais qui est intéressé par le Deep Learning et
désire l'appliquer sur des jeux de données
•Les étudiants universitaires désirant démarrer une carrière en Data Science
•Les data analysts désirant améliorer leurs connaissances en Deep Learning
•Les personnes souhaitant changer de métier et devenir data scientist
 •Les personnes souhaitant apporter plus de valeur à leur entreprise en utilisant la
technologie du Deep Learning
•Les entrepreneurs désirant comprendre comment utiliser les outils de Deep Learning
dans leur entreprise
•Les entrepreneurs désirant prendre l'avantage sur leurs compétiteurs dans leur industrie
en utilisant les outils avancés de Deep Learning

Programme de ce cours

Réduire tout 175 sessions

19:26:14

Bienvenue

18:40

Qu'est-ce que le Deep Learning ?

Aperçu

11:54

Installation de Python

05:11

Comment avoir les données

01:35

-------------------- CHAPITRE 1 - ANN (Artificial Neural Networks) -------------

00:51

Bienvenue dans le Chapitre 1 - Réseaux de neurones artificiels

00:51

ANN - Intuition

01:07:16

Plan d'attaque

02:27
Le Neurone

14:23

La fonction d'activation

07:35

Comment fonctionnent les Réseaux de Neurones ?

09:51

Comment apprennent les Réseaux de Neurones ?

11:39

Algorithme du Gradient

08:49

Algorithme du Gradient Stochastique

07:33

Rétropropagation

04:59

Construire un ANN

01:08:19

Pré-requis

00:25

Comment avoir les données

01:35

Description du problème

05:06

Construire un ANN - Étape 1

11:53

Instructions d'installation des modules

00:20

Construire un ANN - Étape 2

14:19

Construire un ANN - Étape 3

01:51

Construire un ANN - Étape 4

01:33

Construire un ANN - Étape 5

10:21

Construire un ANN - Étape 6

01:42

Construire un ANN - Étape 7

03:12

Construire un ANN - Étape 8

04:23

Construire un ANN - Étape 9

05:15

Construire un ANN - Étape 10

06:24

Travaux Pratiques : Devrait-on dire au revoir à ce client ?

12:05

Instructions

00:26

Solution

11:39

Évaluer, améliorer et ajuster l'ANN

38:21

Évaluer l'ANN
16:19

Améliorer l'ANN

05:02

Ajuster l'ANN

17:00

Travaux Pratiques - Faites-moi perdre une place au podium

00:12

Instructions

00:12

-------------------- CHAPITRE 2 - CNN (Convolutional Neural Networks) ----------

00:47

Bienvenue dans le chapitre 2 - Réseaux de neurones à convolution

00:47

CNN - Intuition

01:24:58

Plan d'attaque

02:47

Que sont les Réseaux de Neurones à Convolution ?

13:28

Étape 1 - Convolution

12:30

Étape 1b - Couche ReLU

05:10

Étape 2 - Pooling

12:44
Étape 3 - Flattening

01:34

Étape 4 - Complètement connecté

16:15

Récap

04:33

Fonction softmax et entropie croisée

15:57

Construire un CNN

01:02:17

Comment avoir les données

01:35

Introduction aux CNNs

02:47

Construire un CNN - Étape 1

05:18

Construire un CNN - Étape 2

02:04

Construire un CNN - Étape 3

00:44

Construire un CNN - Étape 4

09:22

Construire un CNN - Étape 5

03:21

Construire un CNN - Étape 6

03:21

Construire un CNN - Étape 7

05:13

Construire un CNN - Étape 8

02:49

Construire un CNN - Étape 9

19:33

Construire un CNN - Étape 10

06:10

Travaux Pratiques - Chien ou chat ?

15:28

Instructions

00:40

Solution

14:48

Évaluer, améliorer et ajuster le CNN

05:52

Travaux Pratiques - Obtenez la médaille d'or

00:32

Travaux Pratiques - Solution pour la médaille d'or

05:20

-------------------- CHAPITRE 3 - RNN (Recurrent Neural Networks) --------------

00:50

Bienvenue dans le chapitre 3 - Réseaux de neurones récurrents

00:50

RNN - Intuition
01:06:39

Plan d'attaque

03:07

L'idée derrière les Réseaux de Neurones Récurrents

13:45

Le problème de la fuite du gradient

11:28

LSTMs

18:19

Intuition pratique

15:14

EXTRA : Variations des LSTMs

04:46

Construire un RNN

01:34:47

Comment avoir les données

01:35

Construire un RNN - Étape 1

05:55

Construire un RNN - Étape 2

04:04

Construire un RNN - Étape 3

05:28

Construire un RNN - Étape 4

12:52

Construire un RNN - Étape 5

10:10
Construire un RNN - Étape 6

02:21

Construire un RNN - Étape 7

05:42

Construire un RNN - Étape 8

03:28

Construire un RNN - Étape 9

01:24

Construire un RNN - Étape 10

03:45

Construire un RNN - Étape 11

06:23

Construire un RNN - Étape 12

03:50

Construire un RNN - Étape 13

12:28

Construire un RNN - Étape 14

06:46

Construire un RNN - Étape 15

08:36

Évaluer, améliorer et ajuster le RNN

01:58

Évaluer le RNN

01:05

Améliorer le RNN

00:40

Ajuster le RNN
00:12

-------------------- CHAPITRE 4 - SOM (Self-Organizing Maps) -------------------

00:35

Bienvenue dans le chapitre 4 - Cartes auto-adaptatives (SOMs)

00:35

SOM - Intuition

01:08:20

Plan d'attaque

03:42

Comment les Cartes Auto-Adaptatives (SOMs) fonctionnent ?

07:36

Pourquoi revoir le K-Means ?

01:55

K-Means Clustering (rappels)

10:02

Comment les SOMs apprennent ? (partie 1)

12:22

Comment les SOMs apprennent ? (partie 2)

06:04

Example de SOM

04:00

Comprendre un SOM avancé

09:33

EXTRA - K-Means Clustering (partie 2)

05:16

EXTRA - K-Means Clustering (partie 3)

07:50

Construire un SOM

46:54

Comment avoir les données

01:35

Construire un SOM - Étape 1

16:32

Construire un SOM - Étape 2

05:54

Construire un SOM - Étape 3

14:40

Construire un SOM - Étape 4

08:13

Giga étude de cas

23:21

Giga étude de cas - Étape 1

02:19

Giga étude de cas - Étape 2

02:36

Giga étude de cas - Étape 3

09:25

Giga étude de cas - Étape 4

09:01

-------------------- CHAPITRE 5 - BM (Boltzmann Machines) ----------------------

01:41
Bienvenue dans le chapitre 5 - Machines de Boltzmann

01:41

Machines de Boltzmann - Intuition

01:02:44

Plan d'attaque

03:56

La machine de Boltzmann

13:17

Les modèles à énergie

08:45

Les machines de Boltzmann restreintes

11:53

Divergence contrastive

18:40

Réseaux à croyance profonde

04:18

Machines de Boltzmann profondes

01:55

Construire une machine de Boltzmann

02:27:31

Comment avoir les données

01:35

Installer Ubuntu sous Windows

18:20

Installer PyTorch

04:30
Construire une machine de Boltzmann - Introduction

09:55

Préparation des données

00:04

Construire une machine de Boltzmann - Étape 1

10:22

Construire une machine de Boltzmann - Étape 2

07:30

Construire une machine de Boltzmann - Étape 3

05:55

Construire une machine de Boltzmann - Étape 4

12:26

Construire une machine de Boltzmann - Étape 5

02:42

Construire une machine de Boltzmann - Étape 6

04:39

Construire une machine de Boltzmann - Étape 7

08:54

Construire une machine de Boltzmann - Étape 8

10:37

Construire une machine de Boltzmann - Étape 9

01:55

Construire une machine de Boltzmann - Étape 10

09:48

Construire une machine de Boltzmann - Étape 11

04:07

Construire une machine de Boltzmann - Étape 12

10:08
Construire une machine de Boltzmann - Étape 13

11:03

Construire une machine de Boltzmann - Étape 14

11:01

Évaluer la machine de Boltzmann

01:59

-------------------- CHAPITRE 6 - AE (Auto-Encoders) ---------------------------

01:10

Bienvenue dans le chapitre 6 - Auto-encodeurs

01:10

Auto-encodeurs - Intuition

41:27

Plan d'attaque

02:50

Auto-Encodeurs

12:21

Petite note sur les biais

02:04

Entraînement d’un auto-encodeur

06:46

Couche cachée trop grande

03:45

Auto-Encodeurs épars

04:31

Auto-Encodeurs débruiteurs

02:43
Auto-Encodeurs contractifs

02:11

Auto-Encodeurs empilés

02:21

Auto-Encodeurs profonds

01:55

Construire un Auto-encodeur

01:56:17

Comment avoir les données

01:35

Installer Ubuntu sur Windows

18:20

Installer PyTorch

04:30

Préparation des données

00:05

Construire un Auto-Encodeur - Étape 1

10:22

Construire un Auto-Encodeur - Étape 2

07:30

Construire un Auto-Encodeur - Étape 3

05:55

Construire un Auto-Encodeur - Étape 4

12:26

Construire un Auto-Encodeur - Étape 5

02:42

Construire un Auto-Encodeur - Étape 6

11:17

Construire un Auto-Encodeur - Étape 7

07:19

Construire un Auto-Encodeur - Étape 8

10:34

Construire un Auto-Encodeur - Étape 9

14:22

Construire un Auto-Encodeur - Étape 10

09:20

------------------- ANNEXE - Bases de Machine Learning -------------------------

00:30

Bienvenue dans l'annexe - Bases de Machine Learning

00:30

Régression et Classification - Intuition

22:24

Intuition de la régression simple - Étape 1

04:28

Intuition de la régression simple - Étape 2

02:39

Intuition de la régression multiple

00:59

Intuition de la régression logistique

14:18

Template de préparation des données

01:03:33
Préparation des données - Étape 1

06:53

Préparation des données - Étape 2

08:18

Préparation des données - Étape 3

10:27

Préparation des données - Étape 4

10:34

Préparation des données - Étape 5

10:04

Préparation des données - Étape 6

14:01

Préparation des données - Template

03:16

Template de Classification

30:58

Implémentation de la régression logistique - Étape 1

05:23

Implémentation de la régression logistique - Étape 2

02:54

Implémentation de la régression logistique - Étape 3

01:45

Implémentation de la régression logistique - Étape 4

03:28

Implémentation de la régression logistique - Étape 5

14:49

Implémentation de la régression logistique - Template

02:39

À propos des formateurs

Hadelin de Ponteves

AI Entrepreneur

Hi. My name is Hadelin de Ponteves. Always eager to learn, I invested a lot of my time
in learning and teaching, covering a wide range of different scientific topics.

Today I am passionate about Machine Learning, Deep Learning and Artificial Intelligence. I
will do my very best to convey my passion for AI to you. I have gained diverse experience in
this field. I have an Engineering master's degree with a specialisation in Data Science. I
spent one year doing research in Machine Learning, working on innovative and
exciting projects. Then a work experience at Google where I implemented some Machine
Learning models for business analytics.

Eventually, I realised I spent most of my time doing analysis and I gradually needed to feed
my creativity so I became an entrepreneur. My courses will combine the two dimensions
of analysis and creativity, allowing you to learn all the analytic skills required in Data
Science, by applying them on creative ideas.

Looking forward to working together!

Kirill Eremenko

Data Scientist & Forex Systems Expert

My name is Kirill Eremenko and I am super-psyched that you are reading this!

I teach courses in two distinct Business areas on Udemy: Data Science and Forex Trading. I
want you to be confident that I can deliver the best training there is, so below is some of my
background in both these fields.

Data Science

Professionally, I am a Data Science management consultant with over five years of

experience in finance, retail, transport and other industries. I was trained by the best
analytics mentors at Deloitte Australia and today I leverage Big Data to drive business
strategy, revamp customer experience and revolutionize existing operational processes.

From my courses you will straight away notice how I combine my real-life experience and
academic background in Physics and Mathematics to deliver professional step-by-step
coaching in the space of Data Science. I am also passionate about public speaking, and
regularly present on Big Data at leading Australian universities and industry events.

Forex Trading

Since 2007 I have been actively involved in the Forex market as a trader as well as running
programming courses in MQL4. Forex trading is something I really enjoy, because the Forex
market can give you financial, and more importantly - personal freedom.

In my other life I am a Data Scientist - I study numbers to analyze patterns in business

processes and human behaviour... Sound familiar? Yep! Coincidentally, I am a big fan of
Algorithmic Trading :) EAs, Forex Robots, Indicators, Scripts, MQL4, even java programming
for Forex - Love It All!

Summary

To sum up, I am absolutely and utterly passionate about both Data Science and Forex
Trading and I am looking forward to sharing my passion and knowledge with you!

Charles Bordet

Freelance Data Scientist

Hey ! Je m'appelle Charles Bordet et je suis freelance en data sciencebasé à Lyon.

Quand j'ai terminé mes études en statistique il y a plusieurs années, j'avais bien eu
quelques cours en R, SQL, etc., mais mes connaissances étaient surtout théoriques.

Aucun problème quand il s'agissait de calculer la variance d'un estimateur, sa loi, et établir
un intervalle de confiance.

Mais quand il fallait analyser de vraies données, j'étais complètement perdu... J'avais bien
quelques bases en R, mais mon code était affreux et je n'arrivais de toute façon pas à faire
ce que je voulais.

Je me suis donc formé en auto-didacte à l'aide de livres et de cours sur internet, j'ai même
repris des cours, et puis peu à peu, j'ai inversé la tendance et j'ai commencé à moi-même
donner des cours. D'abord comme chargé de TD à l'université, puis comme formateur à des
professionnels.

J'ai pris de plus en plus goût à la formation, et à présent je me lance dans la réalisation de
cours en ligne sur Udemy. Je me suis aperçu que l'offre française était plus que limitée. Je
trouve ça assez intimidant de parler devant la caméra à potentiellement des centaines ou
milliers d'apprentis data scientists, mais j'espère que vous trouverez mes cours utiles et
qu'ils vous permettront de réaliser vos objectifs !