Contenu du Cours
1
Algèbre linéaire appliquée
48 heures
Introduction au chapitre
L'algèbre linéaire, langue de l'IA
Vecteurs et espaces vectoriels
Normes, distances et similarité vectorielle
Matrices et transformations linéaires
Produit matriciel et interprétations géométriques
Systèmes linéaires et moindres carrés
Déterminant, rang et matrice inverse
Valeurs propres et vecteurs propres
SVD : décomposition en valeurs singulières
Analyse en composantes principales (PCA)
NumPy : manipuler des tenseurs en pratique
TP guidé : compression d'image par SVD
Synthèse : l'algèbre linéaire dans les pipelines IA
2
Calcul différentiel et optimisation
44 heures
Introduction au chapitre
Pourquoi dériver : la physique de l'apprentissage
Dérivées et dérivées partielles
Le gradient : direction de la plus forte pente
Règle de la chaîne et différentiation composite
Jacobienne et hessienne
Fonctions convexes et minima
Descente de gradient : l'algorithme fondamental
Batch, mini-batch et SGD
Optimiseurs modernes : Momentum, Adam, RMSProp
TP : implémenter une descente de gradient from scratch
TP : régression logistique from scratch
Autograd PyTorch : différentiation automatique
3
Probabilités et statistiques
48 heures
Introduction au chapitre
Probabilité : la boîte à outils de l'incertitude
Variables aléatoires discrètes et continues
Lois usuelles : Bernoulli, binomiale, Gauss, Poisson
Espérance, variance, covariance
Corrélation et indépendance
Théorème de Bayes et raisonnement probabiliste
Estimation : MLE et MAP
Entropie, cross-entropy et divergence KL
Tests d'hypothèse : t-test et chi²
TP : Naive Bayes from scratch
TP : détection d'anomalies par score Z
Statistiques bayésiennes appliquées
Synthèse : probabilités dans la pratique IA
4
Environnement Python scientifique
40 heures
Introduction au chapitre
L'écosystème Python scientifique
Installation et gestion d'environnements
NumPy avancé : broadcasting et vectorisation
Pandas : DataFrames et manipulation
Pandas : GroupBy, merge et pivot
Matplotlib : visualisation scientifique
Seaborn : visualisation statistique
Jupyter et JupyterLab : cellules et magic commands
Google Colab : GPU gratuit et persistance
Git et GitHub pour projets data
TP intégrateur : exploration complète d'un dataset
Commentaires
0 commentaire
Aucun commentaire pour le moment
Soyez le premier à partager votre avis !
Se connecter pour commenter