Évaluez efficacement les frameworks de Machine Learning

Magazine
Marque
GNU/Linux Magazine
HS n°
Numéro
94
|
Mois de parution
janvier 2018
|
Domaines


Résumé
Le machine learning (ou apprentissage automatique) et le deep learning (apprentissage profond) font partie des thèmes les plus actifs du moment : difficile de recenser tous les frameworks libres disponibles, lequel choisir pour votre projet ou pour remporter le prochain challenge Kaggle ?

La suite est réservée aux abonnés. Déjà abonné ? Se connecter

Sur le même sujet

Découvrez les réseaux de neurones avec Arduino

Magazine
Marque
Hackable
Numéro
31
|
Mois de parution
octobre 2019
|
Domaines
Résumé
Intelligence Artificielle, Deep Learning, Apprentissage Automatique, Classification, Machine Learning... Ces termes sont en ce moment sur toutes les lèvres et semblent souvent utilisés dans les médias comme joker, en lieu et place de « vaudou », « magie noire », « sorcellerie », « alchimie » ou plus généralement, « technologie à la mode qu'on ne peut pas vous expliquer, car on n'y comprend rien ». Pourtant, chez vous, vous pouvez découvrir ce domaine assez facilement et sans avoir à utiliser un PC monstrueux, avec trois cartes graphiques hors de prix. La preuve, on peut même le faire avec une simple carte Arduino...

Réseaux de Neurones Convolutifs : un cortex visuel virtuel pour la reconnaissance d'image

Magazine
Marque
GNU/Linux Magazine
Numéro
230
|
Mois de parution
octobre 2019
|
Domaines
Résumé
Plusieurs articles, voire des hors-séries entiers dédiés de votre magazine favori, ont traité différents aspects du Deep Learning et du Machine Learning ou plus exactement, l'apprentissage profond et l'apprentissage automatique [1-6]. Cependant, trop peu d'articles expliquent et détaillent l'élaboration, ainsi que la construction elle-même, d'un réseau de neurones convolutifs, quelle qu'en soit l'application : la reconnaissance d'image, par exemple. Dans cet article, nous allons pallier ce manque en construisant un cortex visuel virtuel, ayant pour but la reconnaissance d'image ou d'objets.

Retour d'expérience sur l'étude de la base MNIST pour la reconnaissance de chiffres manuscrits

Magazine
Marque
GNU/Linux Magazine
HS n°
Numéro
102
|
Mois de parution
mai 2019
|
Domaines
Résumé
Parmi les premières recherches effectuées sur l'Intelligence Artificielle figure la reconnaissance des chiffres manuscrits. La base d'étude utilisée par l'expert en IA Yann Le Cun pour ses travaux, et maintenant devenue une référence, est appelée base MNIST. Nous allons découvrir comment la récupérer, la manipuler et l'étudier.

Machine Learning pour les systèmes de détection : recommandations et solutions avec SecuML

Magazine
Marque
MISC
HS n°
Numéro
19
|
Mois de parution
février 2019
|
Domaines
Résumé

Le machine learning est souvent présenté comme une solution miracle pour les systèmes de détection. Dans cet article, j’identifie les pièges à éviter et je propose des solutions pratiques, disponibles dans SecuML [SECUML], pour construire des modèles de détection performants avec du machine learning.

Le Deep Learning, en fait rien de nouveau

Magazine
Marque
GNU/Linux Magazine
HS n°
Numéro
100
|
Mois de parution
janvier 2019
|
Domaines
Résumé
Cet article se propose de faire une introduction au Deep Learning, et de montrer comment des algorithmes centenaires sont passés à l’échelle. En effet, ne l'oublions pas : les principes de base du Deep Learning ne sont pas des plus récents...

Kaggle, la Data Science en compétition

Magazine
Marque
GNU/Linux Magazine
HS n°
Numéro
100
|
Mois de parution
janvier 2019
|
Domaines
Résumé
Kaggle permet aux Data Scientists de concourir pour transformer les données des entreprises en or. Voici la façon dont une compétition fonctionne et quelques astuces d’un « Kaggler ».

Par le même auteur

Évaluez efficacement les frameworks de Machine Learning

Magazine
Marque
GNU/Linux Magazine
HS n°
Numéro
94
|
Mois de parution
janvier 2018
|
Domaines
Résumé
Le machine learning (ou apprentissage automatique) et le deep learning (apprentissage profond) font partie des thèmes les plus actifs du moment : difficile de recenser tous les frameworks libres disponibles, lequel choisir pour votre projet ou pour remporter le prochain challenge Kaggle ?