Pour commencer
Pour toute question concernant le contenu de ce livre
À propos de l'environnement d'exploitation et des exemples de programmes de ce livre

Chapitre 0 Introduction

0,1 pour la première fois

Chapitre 1 : Aperçu de l'intelligence artificielle et de l'apprentissage profond

1.1 Aperçu de l'intelligence artificielle
1.2 Exemples d'applications d'IA
1.3 Histoire de l'intelligence artificielle
1.4 Conclusion du chapitre 1

Chapitre 2 Environnement de développement

2.1 Comment démarrer Google Colaboratory
2.2 Sessions et instances
2.3 Processeur et carte graphique
2.4 Différentes fonctionnalités de Google Colaboratory
2.5 Conclusion du chapitre 2

Chapitre 3 : Notions de base de Python

3.1 Notions de base de Python
3.2 Notions de base de NumPy
3.3 Notions de base de Matplotlib
3.4 Notions de base de Pandas
3.5 Pratique
3.6 Exemple de réponse
3.7 Conclusion du chapitre 3

Chapitre 4 : Apprentissage profond simple

4.1 Aperçu de l'apprentissage profond
4.2 Implémentation simple de l'apprentissage profond
4.3 Différents réseaux neuronaux
4.4 Pratique
4.5 Exemple de réponse
4.6 Conclusion du chapitre 4

Chapitre 5 : Théorie de l'apprentissage profond

5.1 Fondements des mathématiques
5.2 Calcul d'un seul neurone
5.3 Fonction d'activation
5.4 Propagation avant et arrière
5.5 Matrices et multiplication matricielle
5.6 Calcul des étages
5.7 Principes fondamentaux de la différenciation
5.8 Fonction de perte
5.9 Descente en pente
5.10 Pente de la couche de sortie
5.11 Pente de la couche intermédiaire
5.12 Époque et lot
5.13 Algorithmes d'optimisation
5.14 Pratique
5.15 Exemple de réponse
5.16 Conclusion du chapitre 5

Chapitre 6 : Différentes méthodes d’apprentissage automatique

6.1 Régression
Méthode de moyennage 6,2 k
6.3 Machines à vecteurs de support
6.4 Pratique
6.5 Exemple de réponse
6.6 Conclusion du chapitre 6

Chapitre 7 Réseaux neuronaux convolutifs (CNN)

7.1 Aperçu de CNN
7.2 Convolution et pooling
7.3 im2col et col2im
7.4 Implémentation de la convolution
7.5 Mise en œuvre de la mise en commun
7.6 Implémentation du CNN
7.7 Extension des données
7.8 Pratique
7.9 Conclusion du chapitre 7

Chapitre 8 Réseaux de neurones récurrents (RNN)

8.1 Aperçu des RNN
8.2 Implémentation d'un RNN simple
8.3 Aperçu de LSTM
8.4 Implémentation LSTM simple
8.5 Aperçu du GRU
8.6 Implémentation simple du GRU
8.7 Génération automatique de phrases à l'aide d'un RNN
8.8 Aperçu du traitement automatique du langage naturel
8.9 Pratique
8.10 Exemple de réponse
8.11 Conclusion du chapitre 8

Chapitre 9 Auto-encodeur variationnel (VAE)

9.1 Aperçu de la VAE
9.2 Structure du VAE
9.3 Implémentation d'un auto-encodeur
9.4 Mise en œuvre de l'analyse de la valeur ajoutée (VAE)
9.5 Pour ceux qui souhaitent en savoir plus sur l'AEVA
9.6 Pratique
9.7 Conclusion du chapitre 9

Chapitre 10 Réseaux antagonistes génératifs (GAN)

10.1 Aperçu des GAN
10.2 Structure du GAN
10.3 Implémentation GAN
10.4 Pour ceux qui souhaitent en savoir plus sur les GAN
10.5 Pratique
10.6 Exemple de réponse
10.7 Conclusion du chapitre 10

Chapitre 11 : Apprentissage par renforcement

11.1 Aperçu de l'apprentissage par renforcement
11.2 Algorithmes d'apprentissage par renforcement
11.3 Aperçu de l'apprentissage par renforcement profond
11.4 Problème de poteau de chariot
11.5 Mise en œuvre de l'apprentissage par renforcement profond
11.6 Contrôle de l'atterrisseur lunaire - Aperçu -
11.7 Contrôle de l'atterrisseur lunaire - Mise en œuvre -
11.8 Pratique
11.9 Exemple de réponse
11.10 Conclusion du chapitre 11

Chapitre 12 : Apprentissage par transfert

12.1 Aperçu de l'apprentissage par transfert
12.2 Mise en œuvre de l'apprentissage par transfert
12.3 Mise en œuvre du réglage fin
12.4 Pratique
12.5 Exemple de réponse
12.6 Conclusion du chapitre 12

Annexe Pour ceux qui souhaitent en savoir plus

AP-1-1 'AIRS-Lab'
Présentation d'autres ouvrages de l'auteur d'AP-1-2
AP-1-3 NOUVELLES ! AIRS-Lab
Cours en ligne AP-1-4
Chaîne YouTube AP-1-5
AP-1-6 Auteur X, compte Instagram

enfin
Recherche

Apprenez différentes technologies d'IA grâce à Google Colab !
Mise à jour pour prendre en charge la dernière version de Google Colab !

Google Colaboratory, qui constitue la base de cet ouvrage, est un environnement de développement basé sur un navigateur pour l'apprentissage automatique et l'apprentissage profond. Il offre un accès gratuit aux GPU, ce qui réduit considérablement le temps d'exécution du code.
Ce livre propose une méthode simple pour apprendre les bases de l'IA grâce à Google Colab.

Un ouvrage de référence sur l'IA !

Grâce à ce livre, les lecteurs peuvent acquérir des connaissances approfondies et des compétences de mise en œuvre en matière d'IA, les connaissances minimales en Python et en mathématiques requises pour l'apprentissage de l'IA, ainsi que la capacité de lire et d'écrire du code d'apprentissage automatique en Python.
En définitive, il s'agit d'un livre qui contribue à développer les compétences en résolution de problèmes grâce à l'IA.
Il sera également d'une grande aide pratique aux lecteurs, car il reste fidèle aux fondamentaux et montre en détail, avec du code à l'appui, ce qui doit être abordé.