Ce cours fait suite à la matière Analyse de Données dans laquelle des premiers concepts sur l'apprentissage ont été couverts.

Nous présentons ici le problème de la détection d'anomalies, classique en apprentissage, et qui permet d'effectuer un rappel des notions vues en analyse de données (SVM, arbres de décision, DBSCAN.).

Dans un second temps, nous présentons la régression logistique, algorithme qui se situe au coeur des réseaux de neurones, dont nous détaillons plusieurs types d'architectures : perceptrons multicouches, réseaux convolutifs, et réseaux récurrents.

Détection d'anomalies

Cours  :  Détection d'anomalies

   TP      :  Détection d'anomalies supervisée

   TP      :  TP Détection d'anomalies non supervisée

Apprentissage Profond

Cours : Régresssion logistique

Cours : Réseaux de neurones

   TP      :  TP Implémentation de réseaux de neurones avec la librairie Numpy

   TP      :  TP Réseaux de neurones avec Keras/Tensorflow

Cours : Réseaux de neurones convolutifs

   TP      :  TP Classification d'images de chiens et de chats avec un CNN

Cours : Réseaux de neurones récurrents

   TP      :  TP Classification et génération de noms de famille avec un RNN