|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/projets-intelligence-artificielle-python/
课程评论：没有评论
课程名称：人工智能IA：5个完整的Python项目 课程概述：本课程提供全面的培训，主要内容包括以下五个项目： 1. **面部识别AI的创建**：介绍AdaBoost算法如何从成千上万的面部特征中选择最佳特征。讲解级联分类器和优化面部检测的参数，然后你将通过编写代码从头开发一个交换两张面孔的应用程序。 2. **图像分类AI的创建**：探讨图像分类及K邻近分类器（机器学习），评估如何最佳调整相应的超参数。你将使用图像分类领域中最常用的数据集来训练你的AI。 3. **手写识别AI的创建**：详细解释神经网络（深度学习）的基本概念，包括梯度算法和反向传播。逐步构建每一行代码，以创建一个神经网络模型，并训练其提高对数字的识别精度。 4. **垃圾邮件检测器的创建**：此AI旨在检测电子邮件是否为垃圾邮件。讨论文本分类，特别是朴素贝叶斯算法，以及术语频率和逆文档频率（TF-IDF）的概念。最后，通过逐步构建该AI以实现近99％的准确率。 5. **人脸识别AI的创建**：介绍降维和三种人脸识别算法，即主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）。你将真实测试这三种算法，通过逐步创建人脸识别应用程序进行实践。 该课程理论与实践各占50%，每个关键的机器学习和深度学习概念都通过直观的方式进行解析，并应用于具体的人工智能案例中。
Le programme complet de la formation:1. Création d'une IA de détection de visage: je vous explique comment adaBoost sélectionne les meilleures caractéristiques d'un visage parmi des milliers. Je vous parle des classificateurs en cascade et des paramètres à prendre en considération pour affiner notre détection de visage. Puis vous mettrez les mains dans le code et vous développerez de A à Z une application qui échange 2 visages.2. Création d'une IA de classification d'images: je vous parle de la classification d'images, du classificateur K-Neighbors (Machine Learning), on évaluera comment régler au mieux les hyperparamètres correspondants.Vous travaillerez sur le jeu de données le plus utilisé dans le domaine de la classification pour entraîner votre IA.3. Création d'une IA de reconnaissance d'écriture manuscrite: je vous explique en détail ce qu'est un réseau de neurones (Deep Learning), je vous parlerai de l'algorithme du Gradient et du concept de rétro propagation.Puis vous allez construire pas à pas chaque ligne de code permettant de construire un modèle de réseau de neurones, que vous allez entraîner pour améliorer la précision de celui-ci dans la reconnaissance des chiffres.4. Création d'un détecteur de Spam: L'objectif de cette IA, c'est de détecter si un e-mail est un spam ou non. On discutera de la classification de texte et plus particulièrement de l'algorithme Naïves Bayésienne puis des notions de Fréquence d'un Terme et Fréquence Inverse de Document (TF-IDF).Enfin vous construirez pas à pas cette IA pour obtenir une précision de près de 99%.5. Création d'une IA de reconnaissance faciale (qui permet de reconnaître la ou les personne(s) présente(s) sur une photo ou vidéo): je vous parle de la réduction dimensionnelle et des 3 algorithmes de reconnaissance faciale à savoir le Principle Component Analysis (PCA), du Linear Discriminant Analysis (LDA) et du Local Binary Patterns (LBP). Puis vous testerez ces 3 algorithmes en réel avec la construction pas à pas de l'application de reconnaissance faciale.Formation 50 % théorique 50 % pratique. Chaque concept clé de Machine Learning et/ou Deep Learning est décrypté précisément de façon intuitive (théorie) et appliqué dans des cas concrets d'Intelligence Artificielle (pratique).
