25 projets en 25 jours de bootcamp de développement d’IA

Ce Bootcamp de développement de l’IA est conçu pour guider les apprenants à travers une série de 25 projets pratiques, chacun visant à développer des compétences de base et une solide compréhension de divers concepts d’IA et techniques d’apprentissage automatique. Le cours commence par des projets simples et accessibles, évoluant progressivement vers des applications plus complexes. À la fin, les participants disposeront d’un portefeuille impressionnant de projets couvrant divers domaines tels que le traitement du langage naturel, la classification d’images, les systèmes de recommandation, la modélisation prédictive, etc. Chaque projet offre une expérience d’apprentissage pratique et se concentre sur un concept, un algorithme ou un outil d’apprentissage automatique particulier.

Le voyage commence par la création d’une calculatrice de base à l’aide de Python. Ce projet initie les participants à la logique de codage et les familiarise avec la syntaxe Python. Bien que simple, ce projet est essentiel car il pose les bases pour comprendre comment concevoir des applications de base en Python. À partir de là, les apprenants passent à une tâche plus complexe avec un classificateur d’images utilisant Keras et TensorFlow. Ce projet implique de travailler avec des réseaux de neurones, permettant aux apprenants de construire un modèle capable de distinguer différentes classes d’images. Les participants acquerront de l’expérience dans la formation et la validation d’un réseau neuronal, en comprenant des concepts clés tels que les fonctions d’activation, les couches convolutives et le prétraitement des données.

Un simple chatbot utilisant des réponses prédéfinies vient ensuite, donnant aux apprenants un avant-goût du traitement du langage naturel. Ce projet fournit une introduction à la création d’agents conversationnels, où le chatbot répond aux requêtes des utilisateurs en fonction de règles prédéfinies. Bien qu’il soit basique, il constitue la base de projets PNL plus avancés plus tard dans le cours. Passant au détecteur de spam à l’aide de Scikit-learn, les apprenants abordent la classification de texte à l’aide de l’apprentissage automatique. Ce projet montre comment traiter les données texte, extraire les fonctionnalités pertinentes et classer les messages comme spam ou non. Les participants travailleront avec des techniques telles que la vectorisation TF-IDF et Naive Bayes, des outils clés de la boîte à outils PNL.

La reconnaissance de l’activité humaine à l’aide d’un ensemble de données de smartphone et de Random Forest introduit le concept d’apprentissage supervisé avec des données de séries chronologiques. Ici, les participants utiliseront les données de l’accéléromètre et du gyroscope pour classer diverses activités physiques. Ce projet met en valeur la polyvalence de l’apprentissage automatique dans la gestion de données complexes et réelles. Suite à cela, l’analyse des sentiments à l’aide de NLTK permet aux apprenants de se plonger plus profondément dans la PNL en déterminant le sentiment derrière les données textuelles. Ce projet implique le nettoyage et la tokenisation du texte, ainsi que l’utilisation de lexiques de sentiments prédéfinis pour analyser les nuances émotionnelles dans les publications, critiques ou commentaires sur les réseaux sociaux.

Construire un système de recommandation de films utilisant la similarité cosinus est un autre projet passionnant. Ici, les participants apprennent à créer des systèmes de filtrage collaboratifs, essentiels pour personnaliser les expériences utilisateur dans les applications. En comparant les préférences des utilisateurs et en suggérant des films similaires à ceux qu’ils ont déjà aimés, les participants obtiennent un aperçu du fonctionnement des moteurs de recommandation sur les plateformes populaires. La prévision des prix de l’immobilier par régression linéaire ramène alors l’attention sur l’apprentissage supervisé. À l’aide de données historiques, les apprenants construisent un modèle pour prédire les prix de l’immobilier, en leur présentant les bases de la régression, du nettoyage des données et de la sélection des caractéristiques.

Les prévisions météorologiques utilisant des données historiques guident les apprenants dans la prévision de séries chronologiques, une compétence essentielle pour gérer des données séquentielles. Les participants exploreront différentes approches de modélisation pour prévoir les tendances météorologiques. Ensuite, le bootcamp couvre la création d’un réseau neuronal de base à partir de zéro. Ici, les participants écrivent leur propre implémentation d’un réseau neuronal, découvrant les subtilités de la propagation vers l’avant et vers l’arrière, les mises à jour de poids et les techniques d’optimisation. Ce projet propose une approche pratique pour comprendre les réseaux de neurones à un niveau granulaire.

LIEN DE TÉLÉCHARGEMENT: 25 projets en 25 jours de bootcamp de développement d’IA

25_Projects_in_25_days_of_AI_Development_Bootcamp.part1.rar – 995,0 Mo
25_Projects_in_25_days_of_AI_Development_Bootcamp.part2.rar – 995,0 Mo
25_Projects_in_25_days_of_AI_Development_Bootcamp.part3.rar – 381,5 Mo