L’introduction de l’IA et de l’apprentissage automatique avec Python

Jetez un œil à l’IA et à l’apprentissage automatique (ML) et apprenez à utiliser des algorithmes avancés pour résoudre des problèmes du monde réel. Cette classe vous montrera comment faire beaucoup de choses différentes avec des données, comme créer des modèles avancés et les tester.

À la fin du cours, les étudiants seront capables de:

– Créez de nombreux systèmes et modèles d’IA différents.

– Déterminer comment l’IA peut fonctionner, y compris comment elle interagit avec les personnes et l’environnement.

– Utiliser des idées et des méthodes issues du traitement automatique du langage naturel pour extraire automatiquement des informations du texte (TAL).

– Créez des modèles d’apprentissage en profondeur en Python avec TensorFlow et Keras et entraînez-les avec des ensembles de données du monde réel pour les améliorer.

Apprentissage automatique

• Des exemples d’algorithmes d’apprentissage automatique sont présentés.
• Apprentissage automatique : Il existe différents types d’apprentissage automatique.
• Supervisé
• Non surveillé
• Renforcement
• Il existe différents types d’apprentissage supervisé, comme les suivants :
• Classification
• Régression

Apprentissage sous supervision – Régression

• Savoir utiliser Boxplot et les fonctionnalités de la fonction Boxplot.
• En utilisant la fonction Train Test Split, vous pouvez en savoir plus sur les données de formation et de test.
• Création d’un modèle d’apprentissage automatique pour résoudre un problème de régression consistant à prédire le poids en utilisant la programmation Python pour entraîner et tester le modèle.

Un exemple : Apprentissage Supervisé – Classification Binaire

• Dans cette leçon, nous allons découvrir la classification binaire.
• Tout sur l’algorithme d’arbre de décision.
• Un regard sur l’algorithme Random Forest.
• Utilisation d’une matrice de confusion pour voir dans quelle mesure le modèle de classification fonctionne.
• En utilisant la programmation Python, je vais utiliser les algorithmes Decision Tree et Random Forest pour créer un modèle de classification capable de prédire les patients diabétiques, et je vais utiliser une matrice de confusion pour voir dans quelle mesure les deux algorithmes fonctionnent.

C’est ce qui arrive quand quelqu’un vous regarde apprendre.

• Savoir résoudre des problèmes de classification multi-classes.
• Méthode individuelle :
• Méthodes un contre plusieurs :
• Le but de ce projet est d’utiliser à la fois un One-vs. Approche One et One-vs.Rest pour résoudre un problème de classification multi-classes pour la prédiction de la fleur d’iris. En outre, utilisez une matrice de confusion pour voir dans quelle mesure les deux méthodes ont fonctionné.

Le clustering est une méthode d’apprentissage sans qu’on lui dise comment le faire.

• Apprendre à connaître l’apprentissage non supervisé.
• Il est important d’utiliser l’apprentissage non supervisé.
• Apprentissage non supervisé : il en existe différents types.
• Regroupement
• Association
• Une classe d’algorithme KMeans est en cours en ce moment.
• Pour calculer K, utilisez la méthode du coude.
• En utilisant python, je vais normaliser les données et utiliser l’algorithme KMeans pour créer des groupes dans l’ensemble de données.

Un exemple d’apprentissage non supervisé : la segmentation de la clientèle

• Connaître la segmentation de la clientèle.
• Types de caractéristiques qui peuvent être utilisées pour séparer les choses.
• L’idée du ciblage.
• À faire : Utilisez l’algorithme KMeans pour ce projet. Ensuite, examinez les clusters pour trouver les bons clients à cibler.

Association Rule Mining est une méthode d’apprentissage non supervisé.

• Reconnaître les problèmes avec l’association.
• C’est ce qu’on appelle « l’analyse du panier de consommation ».
• L’algorithme Apriori est en cours d’élaboration.
• Métriques à rechercher lors de l’évaluation des règles :
• Soutien
• Confiance
• Lever
• Étapes pour trouver les règles d’association.
• Projet : Utiliser la programmation Python pour faire fonctionner l’algorithme Apriori pour l’analyse du panier de consommation.

Système de recommandation – Un système basé sur le contenu

• Apprendre à connaître les systèmes de recommandation.
• Je travaille sur des systèmes qui font des suggestions.
• Voici quelques-uns des différents types de systèmes qui peuvent vous aider à trouver ce que vous voulez.
• Travailler ensemble
• Dans ce projet, vous allez créer un système de recommandation basé sur le contenu qui utilise l’algorithme K Nearest Neighbor (KNN) pour vous aider à trouver la meilleure voiture pour vous en fonction de ce que vous aimez dans les voitures.

– Filtrage collaboratif – Système de recommandation

• Comprendre la méthode de filtrage collaboratif.
• Dans le filtrage collaboratif, il existe différentes façons de le faire.
• Basé sur les utilisateurs :
• Basé sur l’article :
• L’objectif de ce projet est de créer un système de recommandation de films avec un filtrage collaboratif basé sur des éléments et des données provenant d’une matrice de notation de films.

L’analyse des sentiments fait partie du traitement du langage naturel.

• Il existe de nombreux types de traitement du langage naturel (TAL)
• Il y a beaucoup de choses pour lesquelles la PNL peut être utilisée.
• Ce sont quelques-unes des tâches les plus importantes de la PNL.
• Créer un modèle d’apprentissage automatique capable de comprendre l’ambiance d’une phrase est l’objectif de ce projet (Application de la PNL).

Apprentissage en profondeur – Vision par ordinateur

• Découvrir le Deep Learning.
• Réseaux qui utilisent des réseaux de neurones et qui utilisent des réseaux de neurones profonds.

Les images peuvent être classées avec une classe bonus.

• Jetez un œil aux personnes qui ont déjà été formées.
• Le modèle ResNet50 a été construit avec les données d’ImageNet.
• Projet : Utiliser le modèle ResNet50 pour regrouper les images (prédire ce que l’image représente).