Cours 1: Survol du cours et discussions
- L’apprentissage machine
- Présentation : IA dans votre entreprise
- Questions, présentation des étudiants et discussions
- Révision du langage Python
Cours 2: Concepts ML
- Connexionnisme vs symbolisme
- Symbolisme – Prolog
- Préparer les données (Pandas)
- Préparer les données (Normalisation)
- Révision du langage Python
Cours 3 : Apprentissage supervisé
- Apprentissage supervisé
- Régression linéaire (Google slide)
- Régression linéaire – Scikit-learn (Colab)
Cours 4: Apprentissage supervisé
- Percepton et MLP (Slides)
- Perceptron et MLP (Colab)
- MLP – Scikit-learn (Colab)
Cours 5: Apprentissage supervisé
- Réseaux bayesiens
- Decision tree
- Random Forest
Cours 6: Apprentissage supervisé
- La logique floue
- Scykit-Fuzzy
- SVM (Slide)
- SVM (Colab)
Cours 7: Apprentissage non supervisé
- Apprentissage non supervisé
- Clustering (K-Means)
- Réduction de dimensionalité (PCA)
Cours 8: Apprentissage non supervisé
- Algorithmes génétiques (Prezi)
- Complément Google Slides – Algo génétiques
- Algorithme génétique (Colab)
Cours 9: Apprentissage par renforcement
- Apprentissage par renforcement
- Processus de décision de Markov (MDP)
- Q Learning
- Q Learning et Gym
Cours 10: NLP – Natural Language Processing
- NLP
- AIML – Artificial Intelligence Markup Language.
- BERT
Cours 11: Évaluation des performances
- Les pièges du machine learning.
- Évaluation des performances.
- Cross-Validation
- Grid Search et Pipeline
- Programmation par comportement
Cours 12 : Théories IA complémentaires
- Présentation (Prezi) IA et Éthique
- Présentation (Prezi) IA symbolique
Cours 13 : Théories IA complémentaires
- Présentation (Prezi) IA du futur
- Présentation (Prezi) « Peut-on fabriquer un robot conscient? »
Cours 14 : Théories IA complémentaires
- IA Quantique
- R – Démo
- Présentation (Prezi) Alan Turing
- Présentation AI2
- Présentation de publications.
- Orange
Cours 15 : Présentations