Bonjours,
ce cours est destiné aux étudiants master 2 spécialité Statistique et Data Science SDS, département Mathématique Appliquée.
Les étudiants peuvent communiquer avec moi via l'email : gmerzougui.2020@gmail.com
Le cours est divisé en 3 chapitres à savoir:Contenu de la matière :
les chapitres:
Chapitre1 : Machine Learning vs Deep Learning et ces applications
Chapitre2 : Réseaux de neurones et son implémentation en python
Chapitre3 : Reseau de neurone convolutionnelles CNN (pour images)
les travaux dirigés:
- TD numéro 1 avec solution
- TD numéro 2
Les travaux pratiques:
- TP numéro 0, il faut vous familialisez avec l'environnement de programmation python voir les doucuments suivants sur la libraire numpy et pandas et matplotlib.
- TP numéro 1, Développer un premier programme de Machine Learning (régression linéaire puis non linéaire)
- Python et manipulation de données de type matrices. voir les références très intéressantes suivante: PH - matrices avec numpy (pdf), vidéo :L3 IDS - Programmation Python - Les matrices (Numpy)
-
python et manipulation des dataset: manipulation pandas(pdf), vidéo: Programmation Python - La structure DataFrame de la librairie "pandas"
- python et affichage de données avec matplotlib: vidéo1:Programmation Python - La librairie Matplotlib, vidéo2:introduction à la visualisation des données avec Matplotlib de Python
- premièrement, insatller le logicien Anaconda : https://www.anaconda.com/products/individual, suiver les étapes d'installation montrées dans cette vidéo: comment intaller anaconda, python et tensorflow
- ou bien utiliser google colab, un service de google qui vous permet d'écrire et d'exécuter du code Python dans votre navigateur. Il offre les avantages suivants :Aucune configuration requise, accès gratuit aux GPU et Partage facile. le lien du service est: https://colab.research.google.com/notebooks/intro.ipynb
- Pour apprendre les bases du Python (vecteur, matrice ), essayer de lire puis appliquer les exemples du document suivant: doc.python
Prérequis :
Ce cours nécessite un prérequis sur :
- Les algorithmes d’apprentissage automatique (plus précisément type supervisé utilisé pour la classification binaire ou multi-classe et de régression) ;
- Python avec les données scientifiques.
Références:
- livre : "Deep Learning with Python: A Hands-on Introduction" (Anglais) Broché – 19 avril 2017 de
Deep Learning avec TensorFlow MISE EN ŒUVRE ET CAS CONCRETS" auteur Aurélien Géron 2017 (Traduit de l’anglais par Hervé Soulard)
- "Introduction to Deep Learning" Prof. Dr. Jürgen Brauer August 2018