Categories
Course Content
01 – Introduction
0/3
01 – Quel est le programme de la formation
03:18
02 – Installation anaconda_python
01:17
03 – Mise en place de l_environnement pour la formation d_ia
04:13
02 – Détecteur de visage
0/12
01 – Introduction au programme
04:50
02 – Les caractéristiques
09:34
03 – Sélectionner les meilleures caractéristiques avec adaboost
07:00
04 – Classificateur en cascade
06:37
05 – Paramètre d échelle
06:35
06 – Paramètre du nombre minimum de voisins
07:43
07 – Code détecter un visage
10:15
08 – Code encadrer et afficher des visages
10:50
09 – Code détecter les yeux
05:33
10 – Code extraction des visages d_une photo
10:52
11 – Code échanger 2 visages
06:21
A lire !!!
03 – Classificateur d’images
0/16
01 – Introduction au programme
01:33
02 – Introduction au machine learning
03:34
03 – Classification supervisée
06:39
04 – Classification d images
09:36
05 – Classificateur du plus proche voisin
09:42
06 – Classificateur des k plus proches voisins
11:06
07 – Hyper paramètres
06:36
08 – Validation croisée
05:30
09 – Exploration du dataset
06:34
10 – Code extraction du dataset
11:51
11 – Code création classificateur du plus proche voisin (étape 1)
07:42
12 – Code création classificateur du plus proche voisin (étape 2)
10:10
13 – Code création classificateur du plus proche voisin (étape 3)
10:52
14 – Code application du classificateur des k plus proches voisins
06:08
15 – Code variation des hyper paramètres
08:13
16 – Conclusion
01:09
04 – IA de reconnaissance d’écriture manuscrite
0/14
01 – Introduction
01:16
02 – Qu est ce qu un neurone
06:15
03 – Le perceptron
08:04
04 – Un exemple de perceptron
11:38
05 – Réseaux de neurones
10:10
06 – Algorithme du gradient
09:49
07 – Algorithme de la rétro-propagation
08:30
08 – Code dataset mnist
06:50
09 – Code la couche d entrée
05:57
10 – Code construction du réseau de neurones
15:47
11 – Code entrainement du réseau de neurones
07:52
12 – Code sauvegarde du model dans un fichier
14:55
13 – Code découverte des courbes dans tensorboard
16:24
14 – Code graphiques dans tensorboard
07:28
05 – Détecteur de spam
0/13
A lire !!!
02 – Classification de texte
05:46
03 – Principe de naïve bayes
07:11
04 – Exemple concret dapplication
05:54
05 – Naïve bayes pour une séquence de mots
06:06
06 – Représentation numérique du texte
04:24
07 – Fréquence des termes et fréquence inverse des documents (tf-idf)07 – Fréquence des termes et fréquence inverse des documents (tf-idf)
05:22
08 – Introduction au dataset enron
04:10
09 – Code charger le dataset
06:00
10 – Code countvectorizer
04:52
11 – Code tf idf
05:19
12 – Code construction du classificateur naïve bayes
08:48
13 – Code amélioration du code avec un pipeline
08:06
06 – Reconnaissance faciale
0/17
01 – Introduction
00:48
02 – Classification de texte
05:46
02 – Qu est ce que la reconnaissance faciale
06:33
03 – Réduction dimensionnelle
07:19
04 – Principle component analysis (pca)
06:18
05 – Linear discriminant analysis (lda)
07:16
05 – Naïve bayes pour une séquence de mots
06:07
06 – Comparaison pca et lda
06:02
07 – Local binary patterns (lbp)
07:03
08 – Exploration dataset
04:45
09 – Code charger le dataset
08:34
10 – Code création de notre application de reconnaissance faciale
10:44
11 – Code comparaison des 3 algorithmes de reconnaissance faciale
16:03
11 – Code tf df
05:19
12 – Code reconnaissance en temps réel via webcam
15:58
13 – Test application
00:36
14 – Conclusion
01:12
Fichiers source
0/1
Archives
I.A 5 projets complets et pratiques en Python
Previous
Next
0% Complete

329 Queensberry Street, North Melbourne VIC 3051, Australia.
hi@academun.com

About

CATEGORIES

SUPPORT

© 2024 Academun. All Right Reserved.