Tutoriel sur l'apprentissage automatique

Découvrez comment les ordinateurs « voient » et interprètent les images, les techniques de manipulation d’images, et comment l’apprentissage automatique a changé la donne.

Ce tutoriel scikit-learn vous guide pas à pas pour construire un classifieur de fake news à l’aide de modèles bayésiens.

Découvrez SARSA, un algorithme on‑policy d’apprentissage par renforcement. Comprenez sa règle de mise à jour, ses hyperparamètres et ses différences avec Q‑learning, avec des exemples pratiques en Python et leur implémentation.

Un tutoriel scikit-learn pour prédire le nombre de victoires par saison en MLB à l’aide d’un modèle de clustering KMeans et de régressions linéaires.

Dans ce tutoriel, vous allez comprendre, à un niveau général, le fonctionnement des SVM puis les implémenter en R.

Apprenez la descente de gradient stochastique, une technique d’optimisation essentielle en machine learning, avec ce guide Python complet. Idéal pour débutants et experts.

Découvrez comment Textacy, une bibliothèque Python, simplifie le prétraitement des données textuelles pour l'apprentissage automatique. Explorez ses fonctionnalités clés comme la normalisation des caractères et le masquage de données, et voyez comment elle se compare à d'autres bibliothèques comme NLTK et spaCy.

Découvrez les fondamentaux de la régularisation et comment elle aide à prévenir le surapprentissage.

Dans ce tutoriel, vous verrez ce qu’est le transfer learning, certaines de ses applications et pourquoi c’est une compétence essentielle pour un data scientist.

Apprenez à construire un réseau de neurones et à le former, l’évaluer et l’optimiser avec TensorFlow

Visualisez les paramètres d’entraînement, les métriques, les hyperparamètres ou toute statistique de votre réseau de neurones avec TensorBoard !

Passez en revue les dix nouveautés les plus importantes de TensorFlow 2.0 et découvrez comment en implémenter certaines.