Intelligence artificielle – Techniques d'ensembles et applications

Dans cette microcertification, l'étudiant extrait des données d'un jeu de données afin d'en faciliter, accélérer et optimiser l'apprentissage de modèles d'IA.

Dans cette microcertification, l'étudiant recueille des données pertinentes, explore et évalue les échantillons obtenus et produit des figures représentatives du jeu de données en vue de le transformer pour l'entraînement d'un modèle.

Dans cette microcertification, l'étudiant est outillé pour transformer les données avec un prétraitement afin de satisfaire les besoins d'un client ou d'améliorer les performances d'apprentissage d'un modèle IA.

Dans cette microcertification, l'étudiant applique les techniques de clustering afin de concevoir et recommander une solution IA adaptée aux besoins client.

Dans cette microcertification, l'étudiant applique les techniques de classification et de régression, afin de concevoir et recommander une solution IA adaptée aux besoins client.

Dans cette microcertification, l'étudiant conçoit, implémente et optimise des solutions d'apprentissage profond basées sur les réseaux récurrents appliquées aux séries chronologiques, au traitement du langage naturel ainsi qu'à la reconnaissance vocale.

Intelligence artificielle – introduction à l'apprentissage profond (dml) et applications des réseaux denses (dnn)

Dans cette microcertification, l'étudiant extrait des données d'un jeu de données afin d'en faciliter, accélérer et optimiser l'apprentissage de modèles d'IA.

Dans cette microcertification, l'étudiant recueille des données pertinentes, explore et évalue les échantillons obtenus et produit des figures représentatives du jeu de données en vue de le transformer pour l'entraînement d'un modèle.