{"product_id":"154665","title":"intelligence artificielle ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYDPLQhwlT95f7wmtp5MotF0wH10F.png?v=1765081242\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e intelligence artificielle \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/117813841\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e « Intelligence artificielle, 2e édition » regorge d'illustrations et d'exercices pratiques variés que même les débutants en intelligence artificielle peuvent facilement suivre.\u003cbr\u003e Notamment dans le domaine de l'apprentissage profond, le site TensorFlow Playground fourni par Google a été utilisé pour faciliter la compréhension des concepts. \u003cbr\u003eChaque chapitre est suivi d'exercices adaptés au niveau de l'apprenant. Ces exercices vous permettront d'acquérir différentes théories de l'intelligence artificielle, applicables à des situations concrètes.\u003cbr\u003e À la fin de chaque chapitre, des exercices pratiques sont proposés pour permettre aux étudiants d'approfondir leurs connaissances.\u003cbr\u003e\u003cbr\u003e Les modifications apportées à cette édition révisée sont les suivantes :\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e - Les dernières tendances se sont reflétées dans l'introduction de l'intelligence artificielle.\u003cbr\u003e\u003cbr\u003e - J'ai modifié et complété le code Python à des fins d'exploration.\u003cbr\u003e\u003cbr\u003e - Ajout d'arbres de décision, une théorie traditionnelle d'apprentissage automatique.\u003cbr\u003e\u003cbr\u003e - Ajout de contenu tel que l'apprentissage profond de la reconnaissance d'images, l'apprentissage par renforcement et les modèles génératifs qui ne figuraient pas dans le livre existant, et complément du code pratique d'apprentissage par renforcement.\u003cbr\u003e\n\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003eChapitre 1 Introduction à l'intelligence artificielle\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 L'ère de l'intelligence artificielle\u003cbr\u003e L'impact de l'intelligence artificielle\u003cbr\u003e L'intelligence artificielle imprègne nos vies.\u003cbr\u003e Intelligence artificielle et humains \u003cbr\u003e02 Définition de l'intelligence artificielle\u003cbr\u003e agent intelligent\u003cbr\u003e Intelligence artificielle vs. apprentissage automatique vs. apprentissage profond\u003cbr\u003e 03 Test de Turing\u003cbr\u003e ELIZA\u003cbr\u003e La chambre chinoise\u003cbr\u003e Eugene Goostman en 2014\u003cbr\u003e Problèmes liés au test de Turing\u003cbr\u003e 04 Histoire de l'intelligence artificielle\u003cbr\u003e La naissance de l'intelligence artificielle (1943-1956)\u003cbr\u003e Âge d'or (1956-1974)\u003cbr\u003e Le premier hiver de l'IA (1974-1980)\u003cbr\u003e L'âge d'or (1980-1987)\u003cbr\u003e Le deuxième hiver de l'IA (1987-1993)\u003cbr\u003e La renaissance de l'intelligence artificielle (1993-2011)\u003cbr\u003e Apprentissage profond, mégadonnées et intelligence artificielle (2011-présent)\u003cbr\u003e 05 Où l'intelligence artificielle est-elle nécessaire ?\u003cbr\u003e voitures autonomes\u003cbr\u003e Système de recommandation vidéo\u003cbr\u003e système publicitaire\u003cbr\u003e Chatbot\u003cbr\u003e domaine médical\u003cbr\u003e création artistique\u003cbr\u003e Développement de nouveaux médicaments et biologie\u003cbr\u003e IA super-large\u003cbr\u003e Mini-projet : Test de Deep Dream de Google\u003cbr\u003e Essayez le mini-projet ChatGPT\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 02 Exploration\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Explorer\u003cbr\u003e 02 Problème d'exploration de l'espace d'état\u003cbr\u003e problème d'exploration de l'espace d'état\u003cbr\u003e Problème de recherche de chemin en laboratoire\u003cbr\u003e Problème des N reines en laboratoire\u003cbr\u003e 03 Arbre de navigation\u003cbr\u003e Arbre de recherche du problème de la reine à 4 reines (LAB)\u003cbr\u003e 04 Techniques de recherche de base \u003cbr\u003eMesure des performances de navigation\u003cbr\u003e 05 Recherche en profondeur\u003cbr\u003e Analyse de la recherche en profondeur d'abord\u003cbr\u003e 06 Recherche en largeur\u003cbr\u003e Analyse de la recherche en largeur\u003cbr\u003e 07 Exploration à profondeur limitée\u003cbr\u003e Avantages et inconvénients de l'IDDFS\u003cbr\u003e 08 FS et DFS 8-puzzle programmes\u003cbr\u003e Comment représenter le conseil d'administration ?\u003cbr\u003e Qu'est-ce qui sera utilisé pour implémenter les files d'attente ouvertes et fermées ?\u003cbr\u003e Comment créer des nœuds enfants ?\u003cbr\u003e Code source complet de BFS\u003cbr\u003e Programme DFS\u003cbr\u003e 09 Méthodes d'exploration empirique\u003cbr\u003e 10 techniques d'escalade\u003cbr\u003e Algorithme\u003cbr\u003e Problème local majeur\u003cbr\u003e 11 Recherche prioritaire\u003cbr\u003e 12 Algorithme A*\u003cbr\u003e Simulation de l'algorithme LAB A*\u003cbr\u003e 13. Implémentation en Python de l'algorithme A*\u003cbr\u003e Algorithme de recherche pour le problème des N reines du laboratoire\u003cbr\u003e Mini projet TSP\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 03 Arbre de jeu\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e Programme de jeu 01\u003cbr\u003e Définition du jeu\u003cbr\u003e Arbre de jeu pour le Tic-Tac-Toe\u003cbr\u003e 02 Algorithme Minimax\u003cbr\u003e Application de l'algorithme Minimax au jeu de morpion\u003cbr\u003e Exercices pratiques sur l'algorithme Minimax en laboratoire\u003cbr\u003e Pseudocode de l'algorithme minimax\u003cbr\u003e Analyse de performance Minimax\u003cbr\u003e 03 Programmation du jeu Tic-Tac-Toe \u003cbr\u003e04 Élagage de l'alphabet\u003cbr\u003e Algorithme AlphaBeta\u003cbr\u003e Exercices pratiques sur l'algorithme AlphaBeta\u003cbr\u003e 05 Décision incomplète\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 4 : Systèmes experts\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Système expert\u003cbr\u003e Histoire des systèmes experts\u003cbr\u003e 02 Composants d'un système expert\u003cbr\u003e Base de connaissances\u003cbr\u003e Moteur d'inférence\u003cbr\u003e interface utilisateur\u003cbr\u003e 03 Connaissance et intelligence artificielle\u003cbr\u003e Données, informations, connaissances\u003cbr\u003e Règle 04\u003cbr\u003e Vous pouvez utiliser ET ou OU dans les règles.\u003cbr\u003e 05 Inférence dans les systèmes experts\u003cbr\u003e Inférence directe\u003cbr\u003e raisonnement à rebours\u003cbr\u003e Exercices d'inférence en laboratoire\u003cbr\u003e Système de traitement des incendies LAB\u003cbr\u003e 06 Résolution des conflits\u003cbr\u003e 07 Avantages et inconvénients des systèmes experts\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 05 Représentation des connaissances\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Représentation des connaissances\u003cbr\u003e Règle 02\u003cbr\u003e 03 Réseau sémantique\u003cbr\u003e Cadre 04\u003cbr\u003e Avantages des cadres\u003cbr\u003e Cadres et programmation orientée objet\u003cbr\u003e Cadres et héritage\u003cbr\u003e Web sémantique et cadres\u003cbr\u003e 05 Logique\u003cbr\u003e 06 Logique propositionnelle\u003cbr\u003e Inférence en logique propositionnelle\u003cbr\u003e Modus Ponens\u003cbr\u003e Modus Tollens\u003cbr\u003e Syllogisme\u003cbr\u003e 07 Logique des prédicats\u003cbr\u003e 08 Inférence en logique des prédicats \u003cbr\u003eJeong Hyeong-sik\u003cbr\u003e Fusion logique (Résolution)\u003cbr\u003e Preuve par fusion logique\u003cbr\u003e 09 Introduction au Web sémantique et à l'ontologie\u003cbr\u003e Problèmes avec le site web existant\u003cbr\u003e Web sémantique\u003cbr\u003e Exemples du Web sémantique\u003cbr\u003e Éléments de la technologie du Web sémantique\u003cbr\u003e Ontologie\u003cbr\u003e 10 Prologue\u003cbr\u003e TP Convergence Logique n° 1\u003cbr\u003e Exercice de convergence logique n° 2\u003cbr\u003e Exercice de convergence logique LAB n° 3\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 6 : Logique floue\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Qu'est-ce que la logique floue ?\u003cbr\u003e Domaines d'application de la logique floue\u003cbr\u003e 02 Ensembles nets et ensembles flous\u003cbr\u003e Ensemble net\u003cbr\u003e ensembles flous\u003cbr\u003e Notation des ensembles flous\u003cbr\u003e Exemple d'ensembles flous LAB\u003cbr\u003e 03 Opérateurs dans les ensembles flous\u003cbr\u003e Opérateurs centralisés CON et DIL\u003cbr\u003e Opérateur d'ensemble flou LAB\u003cbr\u003e 04 Inférence floue\u003cbr\u003e règles floues\u003cbr\u003e Principes fondamentaux de l'inférence floue\u003cbr\u003e Le processus d'inférence floue\u003cbr\u003e S'il existe plusieurs règles\u003cbr\u003e Problèmes liés à la fourniture de conseils de laboratoire\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 07 Incertitude\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Incertitude\u003cbr\u003e Exemples d'incertitude\u003cbr\u003e Pourquoi l'incertitude apparaît-elle ?\u003cbr\u003e Gestion de l'incertitude dans les systèmes d'intelligence artificielle\u003cbr\u003e 02 Gérer l'incertitude à l'aide des probabilités \u003cbr\u003eProbabilités a priori et a posteriori\u003cbr\u003e Théorème de Bayes\u003cbr\u003e LAB Pourrais-je être infecté par le virus Z ?\u003cbr\u003e Problème des fruits de laboratoire\u003cbr\u003e Jeu de cartes LAB\u003cbr\u003e 03 Théorème de Bayes et inférence\u003cbr\u003e Lorsqu'il existe de multiples preuves et hypothèses\u003cbr\u003e Inconvénients du théorème de Bayes\u003cbr\u003e Calcul de la probabilité d'une règle à l'aide du théorème de Bayes (LAB)\u003cbr\u003e Filtrage anti-spam LAB\u003cbr\u003e Problème de Monty Hall en laboratoire\u003cbr\u003e 04 Confiance\u003cbr\u003e Définition de la certitude\u003cbr\u003e Confiance dans des règles avec des preuves incertaines\u003cbr\u003e Lorsqu'une règle comporte plusieurs prémisses\u003cbr\u003e Exercices de confiance en laboratoire\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 8 : Algorithmes génétiques\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 L'évolution dans la nature\u003cbr\u003e 02 Algorithme génétique\u003cbr\u003e Chromosomes, encodages et fonctions d'évaluation\u003cbr\u003e Pseudocode pour un algorithme génétique\u003cbr\u003e Opérateur de sélection\u003cbr\u003e Opérateur de croisement\u003cbr\u003e opérateur de mutation\u003cbr\u003e algorithme génétique\u003cbr\u003e 03 Exemple d'algorithme génétique\u003cbr\u003e 04 Programme d'algorithme génétique\u003cbr\u003e Problème des huit reines (LAB)\u003cbr\u003e Problème TSP de laboratoire\u003cbr\u003e 05 Avantages et inconvénients des algorithmes génétiques\u003cbr\u003e 06 Programmation génétique\u003cbr\u003e Comment exprimer le programme ?\u003cbr\u003e Opérations de base\u003cbr\u003e Algorithme GP\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e \u003cbr\u003e\u003cb\u003eChapitre 09 : Introduction à l'apprentissage automatique\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Qu'est-ce que l'apprentissage automatique ?\u003cbr\u003e Différences entre l'apprentissage automatique et la programmation traditionnelle\u003cbr\u003e Intelligence artificielle, apprentissage automatique, apprentissage profond\u003cbr\u003e Histoire de l'apprentissage automatique\u003cbr\u003e Types d'apprentissage automatique\u003cbr\u003e 02 Terminologie de l'apprentissage automatique\u003cbr\u003e Fonctionnalité\u003cbr\u003e Approximation de fonctions et apprentissage automatique\u003cbr\u003e Étiquette\u003cbr\u003e échantillon\u003cbr\u003e Apprentissage et prédiction\u003cbr\u003e Données d'entraînement et données de test\u003cbr\u003e 03 Apprentissage supervisé\u003cbr\u003e Régression\u003cbr\u003e Classification\u003cbr\u003e Mini-projet : Expérimenter l'apprentissage automatique à l'aide de machines capables d'apprendre.\u003cbr\u003e 04 Apprentissage non supervisé\u003cbr\u003e 05 Apprentissage par renforcement\u003cbr\u003e 06 Processus d'apprentissage automatique\u003cbr\u003e Collecte de données\u003cbr\u003e Données d'entraînement et données de test\u003cbr\u003e Sélection du modèle\u003cbr\u003e apprentissage\u003cbr\u003e évaluation\u003cbr\u003e prédiction\u003cbr\u003e 07 Évaluation des performances des algorithmes d'apprentissage automatique\u003cbr\u003e Précision\u003cbr\u003e matrice de confusion\u003cbr\u003e Mini-projet : Expérimenter l'apprentissage automatique\u003cbr\u003e 08 Utilisations de l'apprentissage automatique\u003cbr\u003e Où l'apprentissage automatique est-il utilisé ?\u003cbr\u003e La valeur pratique de l'apprentissage automatique pour les programmeurs\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 10 Régression linéaire\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Régression linéaire\u003cbr\u003e Introduction à la régression linéaire\u003cbr\u003e Types de régression linéaire\u003cbr\u003e Principes de la régression linéaire\u003cbr\u003e Apprentissage et perte \u003cbr\u003e02 Comment minimiser la fonction de perte en régression linéaire\u003cbr\u003e Méthode analytique\u003cbr\u003e Méthode de descente de gradient\u003cbr\u003e Descente de gradient en régression linéaire\u003cbr\u003e 03 Implémentation Python de la régression linéaire n° 1\u003cbr\u003e 04 Implémentation Python de la régression linéaire n° 2\u003cbr\u003e Représentons graphiquement la régression linéaire.\u003cbr\u003e Exercices pratiques de régression linéaire en laboratoire\u003cbr\u003e 05 Surajustement vs. Sous-ajustement\u003cbr\u003e Exemple de diabète en laboratoire\u003cbr\u003e Prédiction des prix des maisons en fonction de la zone LAB\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 11 : kNN, K-means et arbres de décision\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Algorithme kNN\u003cbr\u003e Résumé de l'algorithme kNN\u003cbr\u003e Algorithme kNN modifié\u003cbr\u003e Avantages et inconvénients de l'algorithme kNN\u003cbr\u003e 02 Exemple : Classification de l’iris à l’aide de kNN\u003cbr\u003e Caractéristiques et étiquettes\u003cbr\u003e Tracer un graphique\u003cbr\u003e Apprentissage du kNN\u003cbr\u003e Faisons des prédictions\u003cbr\u003e 03 Exemple : Classification d’images manuscrites avec kNN\u003cbr\u003e Lecture de l'ensemble de données\u003cbr\u003e Données d'entraînement et données de test\u003cbr\u003e modèle\u003cbr\u003e apprentissage\u003cbr\u003e Prédiction et évaluation\u003cbr\u003e 04 Évaluation des performances des algorithmes d'apprentissage automatique\u003cbr\u003e Imprimons la matrice de confusion\u003cbr\u003e Rapport de classification\u003cbr\u003e 05 Clustering K-means\u003cbr\u003e Exemple de clustering K-means\u003cbr\u003e Clustering K-means \u003cbr\u003e06 Clustering K-means avec sklearn\u003cbr\u003e Inclure la bibliothèque\u003cbr\u003e Préparer les données\u003cbr\u003e Visualisation des données\u003cbr\u003e Créer un cluster\u003cbr\u003e Comment déterminer k\u003cbr\u003e Mise en œuvre de la méthode du coude\u003cbr\u003e Exercices pratiques de clustering K-means en laboratoire\u003cbr\u003e 07 Arbre de décision\u003cbr\u003e Principes des arbres de décision\u003cbr\u003e Comment construit-on un arbre ?\u003cbr\u003e entropie\u003cbr\u003e Arbres de décision utilisant scikit-learn\u003cbr\u003e Exemple 08 : Classification des iris à l’aide d’arbres de décision\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 12 Perceptron\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Réseau neuronal\u003cbr\u003e Avantages des réseaux neuronaux\u003cbr\u003e Modèle mathématique des neurones\u003cbr\u003e 02 Perceptron\u003cbr\u003e Les perceptrons peuvent-ils apprendre les opérations logiques ?\u003cbr\u003e 03 Algorithme d'apprentissage du perceptron\u003cbr\u003e Exemple\u003cbr\u003e S'exercer aux perceptrons avec Sklearn\u003cbr\u003e 04 Limitations du perceptron\u003cbr\u003e Apprentissage de l'opération XOR\u003cbr\u003e Problèmes classables linéairement\u003cbr\u003e Résolution du problème XOR avec un perceptron multicouche\u003cbr\u003e Classé comme perceptron LAB\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 13 Perceptron multicouche (MLP)\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Perceptron multicouche\u003cbr\u003e Fonction d'activation\u003cbr\u003e fonction étape\u003cbr\u003e fonction sigmoïde \u003cbr\u003eFonction ReLU\u003cbr\u003e fonction tangente hyperbolique\u003cbr\u003e 02 Passe avant\u003cbr\u003e Exprimons-le sous forme de matrice\u003cbr\u003e 03 Calcul d'erreur\u003cbr\u003e Qu'est-ce qu'une fonction de perte ?\u003cbr\u003e Un exemple concret de fonction de perte\u003cbr\u003e Exemple de calcul d'une fonction de perte\u003cbr\u003e 04 Passage en marche arrière\u003cbr\u003e Que devez-vous savoir ?\u003cbr\u003e descente de gradient\u003cbr\u003e Réintroduction de la descente de gradient\u003cbr\u003e pente\u003cbr\u003e Exercices de descente de gradient en laboratoire\u003cbr\u003e 05 Algorithme de rétropropagation\u003cbr\u003e Application des règles de la chaîne\u003cbr\u003e Nœuds de la couche cachée\u003cbr\u003e Concluons\u003cbr\u003e Algorithme d'apprentissage par rétropropagation\u003cbr\u003e Animation de l'algorithme de rétropropagation du laboratoire\u003cbr\u003e 06 Implémentation d'un MLP avec NumPy\u003cbr\u003e 1) Propagation directe\u003cbr\u003e 2) Effectuer une rétropropagation des erreurs\u003cbr\u003e 3) Écrivez une fonction à tester une fois l'apprentissage terminé.\u003cbr\u003e 4) Appelez la fonction d'entraînement et la fonction de test séquentiellement.\u003cbr\u003e 07 S'exercer à utiliser Google Playground\u003cbr\u003e Époque\u003cbr\u003e taux d'apprentissage\u003cbr\u003e Choisir une fonction d'activation\u003cbr\u003e Type de problème\u003cbr\u003e Rapport entre les données d'entraînement et les données de test\u003cbr\u003e Sélectionner les fonctions d'entrée\u003cbr\u003e Ajout d'un calque caché\u003cbr\u003e Commencez à apprendre\u003cbr\u003e Pratique de classification sans couches cachées\u003cbr\u003e Pratiquez avec un calque caché supplémentaire.\u003cbr\u003e 08 TensorFlow de Google \u003cbr\u003eInstallation de TensorFlow\u003cbr\u003e Exemples Keras\u003cbr\u003e Reconnaissance des chiffres MNIST à l'aide de LAB MLP\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 14 : Réseaux neuronaux profonds et apprentissage profond\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Apprentissage profond\u003cbr\u003e Le rôle de la couche cachée\u003cbr\u003e 02 Problème de disparition du gradient\u003cbr\u003e Nouvelle fonction d'activation\u003cbr\u003e Expérience sur la fonction d'activation d'un mini-projet\u003cbr\u003e 03 Problème de fonction de perte\u003cbr\u003e Erreur quadratique moyenne\u003cbr\u003e Fonction d'activation Softmax\u003cbr\u003e fonction de perte d'entropie croisée\u003cbr\u003e Calcul de l'entropie croisée LAB\u003cbr\u003e 04 Fonctions de perte dans Keras\u003cbr\u003e Croisement binaire\u003cbr\u003e Crossentropie catégorique\u003cbr\u003e Croisement catégorique clairsemé\u003cbr\u003e Erreur quadratique moyenne\u003cbr\u003e 05 Problème d'initialisation des poids\u003cbr\u003e méthode d'initialisation des poids\u003cbr\u003e Mini-projet : Expérience d’initialisation du poids\u003cbr\u003e 06 Mini Lot\u003cbr\u003e 07 Normalisation des données\u003cbr\u003e 08 Techniques d'encodage des données\u003cbr\u003e 09 Taux d'apprentissage et inertie\u003cbr\u003e 10. Gestion du surajustement\u003cbr\u003e Comment détecter le surapprentissage\u003cbr\u003e Comment gérer le surapprentissage\u003cbr\u003e Rupture anticipée\u003cbr\u003e méthode de régulation du poids\u003cbr\u003e Augmentation des données\u003cbr\u003e Abandonner\u003cbr\u003e ensemble\u003cbr\u003e Taille du lot du mini-projet, taux d'apprentissage, durée de régularisation\u003cbr\u003e 11 Exemple : Reconnaissance des chiffres MNIST\u003cbr\u003e Importer des données numériques \u003cbr\u003eConstruction d'un modèle\u003cbr\u003e Enseignement\u003cbr\u003e Exemple 12 : Classification des articles de mode MNIST\u003cbr\u003e Utilisation d'un réseau neuronal entièrement connecté\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 15 Réseaux de neurones convolutifs\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Introduction aux réseaux neuronaux convolutifs\u003cbr\u003e Les origines des réseaux neuronaux convolutifs\u003cbr\u003e Néocognitron\u003cbr\u003e L'importance des réseaux neuronaux convolutifs\u003cbr\u003e Mini-projet : Expérimentation des réseaux de neurones convolutifs\u003cbr\u003e Opération de convolution 02\u003cbr\u003e Structure d'un réseau neuronal convolutif\u003cbr\u003e Opération de convolution en traitement d'images\u003cbr\u003e opérations de convolution dans les réseaux de neurones convolutifs\u003cbr\u003e foulée\u003cbr\u003e rembourrage\u003cbr\u003e Nombre de grains\u003cbr\u003e 03 Mise en commun (sous-échantillonnage)\u003cbr\u003e 04 Exemple : Classification des articles de mode MNIST\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 16 Reconnaissance d'images\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Qu'est-ce que la reconnaissance d'images ?\u003cbr\u003e Mini-projet : Expérimentation de la reconnaissance d'images par les réseaux neuronaux\u003cbr\u003e 02 Reconnaissance d'images traditionnelle\u003cbr\u003e 03 Reconnaissance d'images à l'aide de réseaux neuronaux profonds\u003cbr\u003e 04 Exemple : Classification des images CIFAR-10\u003cbr\u003e Ensemble de données CIFAR-10\u003cbr\u003e Programme de classification CIFAR-10 utilisant des réseaux neuronaux convolutifs\u003cbr\u003e 05 Augmentation des données\u003cbr\u003e Exemple 06 : Distinguer les chiens des chats\u003cbr\u003e Ensemble de données sur les chiens et les chats \u003cbr\u003eInstallation de la bibliothèque\u003cbr\u003e Sortie d'image\u003cbr\u003e Création d'un modèle de réseau neuronal\u003cbr\u003e prétraitement d'images\u003cbr\u003e apprentissage\u003cbr\u003e Graphique des résultats d'apprentissage\u003cbr\u003e 07 Apprentissage du stockage et du transfert des poids\u003cbr\u003e Sauvegarde et chargement des poids appris\u003cbr\u003e apprentissage par transfert\u003cbr\u003e Modèle de réseau neuronal pré-entraîné\u003cbr\u003e Redéfinissez un modèle pré-entraîné pour votre projet\u003cbr\u003e Exemple n° 1 : Écrire un programme de reconnaissance canine\u003cbr\u003e Exemple n° 2 : Utilisation d’un modèle pré-entraîné comme préprocesseur d’extraction de caractéristiques.\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 17 : Apprentissage par renforcement\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Qu'est-ce que l'apprentissage par renforcement ?\u003cbr\u003e Principes de l'apprentissage par renforcement\u003cbr\u003e Cadre d'apprentissage par renforcement\u003cbr\u003e Apprentissage par renforcement et apprentissage profond\u003cbr\u003e 02 Jeu du lac glacé\u003cbr\u003e Fondation OpenAI\u003cbr\u003e Jeu du lac gelé\u003cbr\u003e Version du jeu Ice Lake n° 1\u003cbr\u003e Analyse des résultats d'exécution\u003cbr\u003e 03 Q-Learning #1\u003cbr\u003e compensation\u003cbr\u003e Fonction Q\u003cbr\u003e Politique\u003cbr\u003e relation circulaire de la valeur Q\u003cbr\u003e Calculons maintenant la valeur Q dans le problème du lac gelé.\u003cbr\u003e Jeu Ice Lake Version n° 2\u003cbr\u003e 04 Q-Learning n° 2\u003cbr\u003e Exploration et exploitation\u003cbr\u003e Récompenses à prix réduit\u003cbr\u003e taux d'apprentissage\u003cbr\u003e Version du jeu Ice Lake n° 3\u003cbr\u003e 05 Apprentissage par renforcement profond \u003cbr\u003ePourquoi utiliser des réseaux neuronaux ?\u003cbr\u003e DQN (Deep Q Network)\u003cbr\u003e Apprentissage par renforcement (Q-Learning) vs. Apprentissage par renforcement profond (Deep Q-Learning)\u003cbr\u003e Comment apprendre\u003cbr\u003e Algorithme\u003cbr\u003e Exemples d'application pratique\u003cbr\u003e Problème\u003cbr\u003e Inconvénients de l'apprentissage par renforcement profond (Deep Q-Learning)\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 18 Modèles génératifs\u003cbr\u003e\u003c\/b\u003e\u003cbr\u003e 01 Qu'est-ce qu'un modèle génératif ?\u003cbr\u003e Les modèles génératifs identifient les règles de génération des données d'entraînement.\u003cbr\u003e Différences entre les modèles discriminatifs et génératifs\u003cbr\u003e 02 Qu'est-ce que GAN ?\u003cbr\u003e structure GAN\u003cbr\u003e processus d'entraînement GAN\u003cbr\u003e Formation des discriminateurs\u003cbr\u003e Formation sur les générateurs\u003cbr\u003e fonction de perte\u003cbr\u003e 03 Exemple : Génération d’images de chiffres avec un GAN\u003cbr\u003e Résumé\u003cbr\u003e Problèmes pratiques\u003cbr\u003e\u003cbr\u003e Recherche\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate4123\/MidCate010\/412290464.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e L'édition 2016 du tournoi de go, au cours duquel AlphaGo a vaincu Lee Sedol, a choqué le monde entier et l'intelligence artificielle est devenue l'un des domaines les plus passionnants de l'informatique. \u003cbr\u003eDepuis le développement des algorithmes d'apprentissage profond et la démonstration objective de leur supériorité lors d'un concours de reconnaissance d'images organisé en 2012, presque tous les pays développent la technologie de l'intelligence artificielle comme une technologie clé de l'avenir.\u003cbr\u003e Après avoir surmonté le « hiver de l'IA » qui s'est produit à deux reprises dans l'histoire de l'IA, une nouvelle ère de l'IA se profile à l'horizon, fondée sur la science de la collecte et de l'analyse à grande échelle des données massives, l'intégration de semi-conducteurs très avancée et la technologie de traitement ultra-rapide.\u003cbr\u003e\u003cbr\u003e Ce livre est une lecture incontournable pour celles et ceux qui se préparent à l'ère de l'intelligence artificielle. Il permet aux étudiants en ingénierie spécialisés dans les technologies convergentes (informatique, électronique, technologies de l'information et de la communication, mécanique) ainsi qu'aux étudiants d'autres disciplines découvrant l'intelligence artificielle d'appréhender les concepts et théories fondamentaux de cette discipline à travers divers exemples et exercices pratiques. \u003cbr\u003eIl couvre toutes les théories fondamentales de l'intelligence artificielle et fournit des explications détaillées de l'apprentissage automatique, y compris l'apprentissage profond, à travers 10 chapitres.\u003cbr\u003e Dans le domaine de l'apprentissage profond, vous pouvez vous entraîner à utiliser Keras, une bibliothèque de haut niveau basée sur TensorFlow de Google, et l'expérimenter à l'aide de TensorFlow Playground de Google. \u003cbr\u003e\n\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate d'émission :\u003c\/strong\u003e 10 mars 2023\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 592 pages | 1 331 g | 188 × 257 × 35 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791192373164\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN10 :\u003c\/strong\u003e 1192373162 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893441626154,"sku":"154665","price":53.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/3d1f3a1e8a5e257b67af309fa338ef17.jpg?v=1765402273","url":"https:\/\/librairie.coreenne.fr\/products\/154665","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}