Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
PyTorch pour Deep Learning & Machine Learning - Cours complet (parties 10-14)
PyTorch pour l'apprentissage en profondeur et l'apprentissage automatique - Cours complet
Partie 10
Partie 11
Partie 12
Partie 13
Partie 14
PyTorch pour Deep Learning & Machine Learning - Cours complet (description des parties 15-19)
PyTorch pour l'apprentissage en profondeur et l'apprentissage automatique - Cours complet
Partie 15
Partie 16
Partie 17
Partie 18
apprenants à se joindre à la réplication du réseau de neurones dans le code PyTorch. L'instructeur procède ensuite à la construction d'un minuscule réseau de neurones convolutifs VGG dans PyTorch et explique que les auteurs d'articles de recherche peuvent nommer de nouvelles architectures de modèles pour faciliter les références futures. Le code est initialisé avec la forme d'entrée, les unités cachées et la forme de sortie, qui sont des paramètres typiques dans la construction d'un modèle PyTorch.
Partie 19
PyTorch pour Deep Learning & Machine Learning - Cours complet (description des parties 20-24)
PyTorch pour l'apprentissage en profondeur et l'apprentissage automatique - Cours complet
Partie 20
Partie 21
Partie 22
Partie 23
Partie 24
PyTorch pour Deep Learning & Machine Learning - Cours complet (description des parties 25-26)
PyTorch pour l'apprentissage en profondeur et l'apprentissage automatique - Cours complet
Partie 25
Partie 26
Cours d'apprentissage automatique sans boîte noire - Apprenez sans bibliothèques
Cours d'apprentissage automatique sans boîte noire - Apprenez sans bibliothèques
00:00:00 - 01:00:00 Dans cette vidéo YouTube, l'instructeur présente un cours d'apprentissage automatique sans boîte noire qui enseigne comment coder en apprentissage automatique sans s'appuyer sur des bibliothèques. Le cours couvre des sujets liés à la création d'une application Web qui reconnaît les dessins, y compris la collecte de données, l'extraction et la visualisation de caractéristiques, et la mise en œuvre de classificateurs tels que le voisin le plus proche et le voisin le plus proche K. L'instructeur souligne l'importance de comprendre les données dans l'apprentissage automatique et suggère des ressources pour ceux qui ont besoin de parfaire leur expérience en mathématiques et en programmation au secondaire. La vidéo montre le processus de création d'une page Web qui agit comme un créateur de données à l'aide de JavaScript sans aucune bibliothèque externe. Le présentateur comprend également des instructions sur la façon de créer un bouton d'annulation et un champ de saisie de nom, de stocker des dessins dans un objet de données et d'enregistrer les chemins sur l'ordinateur de l'utilisateur. Enfin, la vidéo montre comment créer un générateur de jeu de données dans node.js et générer des données associées à chaque échantillon à l'aide de JavaScript.
01:00:00 - 02:00:00 Dans cette vidéo YouTube, l'instructeur enseigne aux spectateurs comment créer un ensemble de données d'apprentissage automatique et extraire des fonctionnalités sans utiliser de bibliothèques. Ils montrent comment stocker l'ensemble de données dans un dossier qui peut communiquer entre les scripts de nœud et les applications Web et créer une application de visualisation de données. L'instructeur montre également comment visualiser les données collectées à l'aide des graphiques Google et comment identifier et mettre en évidence les éléments sélectionnés dans le graphique et la liste. Dans l'ensemble, la vidéo fournit un guide complet permettant aux apprenants de créer des ensembles de données d'apprentissage automatique et d'extraire des fonctionnalités en utilisant uniquement JavaScript. 02:00:00 - 03:00:00 La vidéo "No Black Box Machine Learning Course - Learn Without Libraries" montre comment classer les dessins en fonction de leurs caractéristiques sans utiliser de bibliothèques d'apprentissage automatique. Le créateur de la vidéo insiste sur l'importance d'avoir un système rapide et réactif pour inspecter les données afin d'éviter les erreurs manuelles. Ils montrent comment ajouter des fonctionnalités au graphique, comment masquer l'arrière-plan et comment afficher les étiquettes prédites à l'écran à l'aide de conteneurs dynamiques avec HTML et CSS. La vidéo couvre également les techniques de mise à l'échelle des données telles que la normalisation et la standardisation. Enfin, la vidéo montre comment implémenter le classificateur K plus proches voisins et compter le nombre de chaque étiquette dans les K plus proches voisins.
03:00:00 - 03:50:00 La vidéo YouTube "No Black Box Machine Learning Course - Learn Without Libraries" couvre divers sujets liés à la classification du voisin le plus proche K sans utiliser de bibliothèques d'apprentissage automatique telles que JavaScript et Python. La vidéo explique comment diviser les ensembles de données en ensembles d'apprentissage et de test, gérer les échantillons d'apprentissage et de test séparément et normaliser les données. L'instructeur aborde également l'importance des limites de décision pour comprendre le fonctionnement d'un classificateur, montre comment implémenter un classificateur K-plus proche voisin (KNN) en JavaScript et génère un tracé basé sur des pixels sans utiliser de bibliothèques d'apprentissage automatique. Enfin, la vidéo se termine par un appel aux spectateurs pour qu'ils explorent les fonctionnalités supplémentaires de Python et réfléchissent à ce qu'ils ont appris jusqu'à présent.
Partie 1
Partie 2
Partie 3
Partie 4
MIT 6.034 "Intelligence Artificielle". Automne 2010. Cours 1. Introduction et portée
1. Introduction et portée
Cette vidéo est une introduction au cours MIT 6.034 "Intelligence Artificielle". Le professeur explique la définition de l'intelligence artificielle et son importance, puis aborde les modèles de pensée et de représentations importants pour comprendre le sujet. Enfin, la vidéo donne un bref aperçu du cours, y compris comment la note est calculée et ce que le quiz et la finale impliqueront.
Cours 2. Raisonnement : arbres d'objectifs et résolution de problèmes
2. Raisonnement : arbres d'objectifs et résolution de problèmes
Cette vidéo explique comment raisonner, les arbres d'objectifs et la résolution de problèmes. Il présente une technique appelée "réduction de problèmes" et explique comment elle peut être utilisée pour résoudre des problèmes de calcul. Il explique également comment utiliser les transformations heuristiques pour résoudre des problèmes et comment les connaissances peuvent être utilisées pour résoudre des problèmes dans des domaines complexes.
Cours 3. Raisonnement : arbres d'objectifs et systèmes experts basés sur des règles
3. Raisonnement : arbres d'objectifs et systèmes experts basés sur des règles
Cette vidéo explique le fonctionnement d'un système expert basé sur des règles. Le système est conçu pour résoudre des problèmes difficiles à résoudre en utilisant des méthodes plus traditionnelles. Le système est composé de plusieurs règles qui sont reliées par et des portes, permettant au système de reconnaître un animal spécifique avec certitude.
Cours 4. Recherche : profondeur d'abord, escalade, faisceau
4. Recherche : profondeur d'abord, escalade, faisceau
Dans cette vidéo YouTube, Patrick Winston discute de différents algorithmes de recherche, y compris les recherches Depth-first, Hill Climbing, Beam et Best-first. En utilisant une carte comme exemple, il démontre les avantages et les limites de chaque algorithme et comment la compréhension de différentes méthodes de recherche peut améliorer les compétences en résolution de problèmes. Winston discute également de l'application des algorithmes de recherche dans les systèmes intelligents, en utilisant le système Genesis pour répondre aux questions sur l'histoire de Macbeth. Il introduit également le concept d'une victoire à la Pyrrhus et explique comment les programmes de recherche peuvent découvrir de telles situations en parcourant des graphiques et en rapportant leurs découvertes en anglais. Dans l'ensemble, la vidéo fournit un aperçu complet des algorithmes de recherche et de leur utilisation pratique dans des scénarios réels.
Cours 5. Recherche : Optimal, Branch and Bound, A*
5. Recherche : Optimal, Branch and Bound, A*
La vidéo traite de plusieurs algorithmes de recherche pour trouver le chemin le plus court entre deux endroits, en se concentrant sur l'exemple de la Route 66 entre Chicago et Los Angeles. La vidéo présente le concept de distance heuristique et fournit des exemples de différents algorithmes de recherche, tels que l'escalade, la recherche par faisceau et la branche et la liaison. Le conférencier insiste sur l'importance d'utiliser des heuristiques admissibles et cohérentes dans l'algorithme A* pour optimiser la recherche. En outre, la vidéo note l'efficacité de l'utilisation d'une liste étendue et des distances des compagnies aériennes pour déterminer les limites inférieures sur le chemin le plus court. En fin de compte, la vidéo se termine par la promesse de discuter d'autres améliorations de l'algorithme A * dans la prochaine conférence.