🇬🇧 Usefull french and english ressources to learn AI 🇫🇷
- Deep Learning | Aaron Courville, Ian Goodfellow and Yoshua Bengio | 🇬🇧 🇫🇷 ⭐
- Deep Learning with Python | François Chollet | 🇬🇧
- Deep Learning Specialization | Deeplearning.ai | 🇬🇧 ⭐ ⭐ ⭐ ⭐ ⭐
- Neural Networks | 3Blue1Brown | 🇬🇧 ⭐ ⭐ ⭐
- Andrew Ng course | Andrew Ng | 🇬🇧 ⭐
- Fast ai course | Jeremy Howard | 🇬🇧 ⭐
- Deepmind : Advanced Deep Learning & Reinforcement Learning | Deepmind |:gb:
- Reinforcement Learning: An Introduction | Andrew Barto and Richard Sutton | 🇬🇧 ⭐
- Playlist : Apprentissage par renforcement | 🇫🇷
- An introduction to Reinforcement Learning | 🇬🇧
- Overcoming sparse rewards in Deep RL: Curiosity, hindsight & auxiliary tasks. | 🇬🇧
- Policy Gradient methods and Proximal Policy Optimization (PPO): diving into Deep RL! | 🇬🇧
- Deepmind : Advanced Deep Learning & Reinforcement Learning | Deepmind |:gb:
- Proximal Policy Optimization Algorithms - PPO | Varuna Jayasiri | 🇬🇧
-
The Elements of Statistical Learning | Jerome H. Friedman, Robert Tibshirani and Trevor Hastie | 🇬🇧
-
Pattern Recognition and Machine Learning | Christopher Bishop | 🇬🇧
- Target Encoding Done The Right Way | Max Halford | 🇬🇧
- Web-scraping avec Python : apprenez à utiliser BeautifulSoup, un pool de proxies et un faux user-agent | 🇫🇷
- Travailler facilement avec les dates sur Pandas | 🇫🇷
- Deep learning | 🇬🇧
- Deep reinforcement learning | 🇬🇧
- Machine learning | 🇬🇧
- Online/Incremental learning | 🇬🇧
- Data visualization | 🇬🇧
Machine learning (apprentissage automatique) est un champ de l'intelligence artificielle. Cela rassemble l'ensemble des méthodes statistiques qui permettent aux machines d'apprendre en fonction de données. Le machine learning fonctionne généralement en deux phases. Une phase d'apprentissage où la machine va apprendre et une phase de restitution où on va pouvoir utiliser le résultat. Ces méthodes peuvent être regroupées en trois groupes d'utilisation.
L'apprentissage supervisé permet de predire des valeurs en fonction de données d'entrées. Les données sont labellisées, classées ou qualifiées
La classification est une catégorie de l'apprentissage supervisé qui a pour but de déterminer a quel ensemble les données correspondent. La classification est souvent utilisé pour classer des images
La régression est une catégorie de l'apprentissage supervisé qui a pour but de déterminer une valeur en fonction de données connues. La régression est souvant utilisé pour réaliser des prédictions.
L'apprentissage non-supervisé se base sur la corrélation entre les données d'entrées. Les données sont de même type que pour l'apprentissage supervisé mais elles ne sont ni labellisées, classées ou qualifiées.
La segmentation est une catégorie de l'apprentissage non-supervisé qui a pour but de faire resortir des groupes en fonction des ressemblances des données.
La detection d'anomalie est un catégorie de l'apprentissage non-supervisé qui a pour but ne mettre en évidence les données qui sortent de l'ordinaire.
L'apprentissage par renforcement se base sur la réalisation d'action dans un environnement et l'acquisition de récompense. L'apprentissage par renforcement est souvent utilisé pour la résolution de jeux.
L'apprentisage semi-supervisé est un mélange entre l'apprentissage supervisé et non-supervisé. Les données sont en partie labéllisées, classées ou qualifiées. L'apprentissage semi-supervisé permet de réaliser des prédictions sur des jeux de données qui ne sont pas entièrement traités.
Une donnée labélisée est une donnée qui est associée à une autre valeur. Les données classifiées sont utilisées en apprentissage supervisé et semi-supervisé.
En classification, les données sont associées à leurs classes. Si on cherche à savoir si une image représente un chien ou un chat. Chaque image va être associée a "chien" ou "chat".
Les classes sont souvent transformés en chiffre (exemple : "chien" = 0, "chat" = 1), ou en une suite de chiffre (exemple : "chien" = [1,0], "chat" = [0,1]). Cette représentation s'appelle représsentation binaire ("one hot representation" en anglais).
En Régression, les données sont associées à leur valeur. Si on cherche à prédire le prix d'une maison. L'ensemble des données d'une maison va être associé au prix.
Les valeurs sont généralement des nombres réels. Ils peuvent être négatifs et sont souvent encodés en "float" informatique.