Dans un monde où les données sont de plus en plus accessibles, les algorithmes se nourrissant de données non labellisées deviennent de plus en plus efficaces et rentables. Les entreprises qui comprennent cela auront bientôt un avantage compétitif sur celles qui tardent à prendre le train de l'intelligence artificielle. Les développeurs qui ont des compétences en Machine Learning et en Deep Learning sont donc de plus en plus demandés et possèdent de l'or entre les mains.

Dans ce cours, nous allons voir comment tirer parti d'un jeu de données brut, ne possédant pas de labels. Particulièrement, nous allons nous focaliser exclusivement sur les Auto-encodeurs et les Auto-encodeurs variationnels et allons voir, comment ces modèles peuvent être entraînés de manière non supervisée, les rendant particulièrement attractif dans l'ère du Big Data.

Ce cours, enseigné en utilisant le langage de programmation Python, requiert des connaissances de base en programmation. Si vous n'avez pas les bases requises, je vous recommande de vous mettre à jour en suivant un cours accéléré de programmation. De plus, il est préférable d'avoir des connaissances basiques en optimisation (nous utiliserons l'optimisation par gradient).

Concepts abordés :

• Les Auto-encodeurs et leurs implémentations en Python

• Les Auto-encodeurs variationnels et leurs implémentations

• Le Machine Learning non supervisé

• Les modèles génératifs

• PyTorch par la pratique

• L'implémentation d'un article scientifique (Auto-Encoding Variational Bayes)

N'attendez plus avant de vous lancer dans le monde du Machine Learning non supervisé!