ai learning roadmap
1.0.0
Listes de tous les supports d'apprentissage liés à l'IA et outils pratiques pour démarrer avec les applications d'IA
Laboratoires à votre rythme
Les ateliers AWS à rythme libre proposent une pratique pratique dans un environnement AWS en direct avec des services AWS et des scénarios cloud réels. Suivez les instructions étape par étape pour découvrir un service, mettre en pratique un cas d'utilisation ou vous préparer à la certification AWS.
Laboratoire d'introduction
Lex
Polly
Reconnaissance
Apprentissage automatique
Apprentissage automatique
Session 1 – Donner aux développeurs les moyens de créer des applications intelligentes
Session 2 - Prédire le taux de désabonnement des clients avec Amazon Machine Learning
AWS Machine Learning – Service géré de bout en bout pour créer et tester des modèles ML, puis déployer ces modèles en production
Documentation
AWS Deep Learning AMI – Amazon Machine Image (AMI) optimisée pour les efforts d'apprentissage en profondeur
Ressources supplémentaires recommandées
Faites passer vos compétences au niveau supérieur avec des laboratoires de niveau fondamental, avancé et expert.
Vous trouverez ci-dessous le matériel de formation qui vous aidera à en savoir plus sur Google Cloud.
Réseau
L'atelier de programmation offre une expérience commune aux développeurs cloud comme suit :
Développement de solutions pour Google Cloud Platform – 8 heures
Infrastructure
Données
IA, Big Data et apprentissage automatique
Matériel d'IA supplémentaire
(Facultatif) Apprentissage profond et Tensorflow
Matériel de référence supplémentaire
(Les contributions sont les bienvenues dans cet espace)
Studio visuel
Ensembles de données UCI
Prérequis de compétences
Parcours de formation
Si vous possédez les compétences préalables ci-dessus, suivez le parcours de formation avancé, sinon suivez le parcours de formation novice.
Tutoriels préalables
Configuration de l'environnement
Services cognitifs (définir l'intelligence)
Bot Framework (création de chatbots)
Configuration de l'environnement
Services cognitifs (définir l'intelligence)
Bot Framework (création de chatbots)
Services cognitifs (Définition de l'intelligence) - Laboratoires
Bot Framework (Création de chatbots) – Laboratoires
Source Berkeley
| Titre de la conférence | Conférencier | Semestre | |
| Conférence 1 | Introduction | Dan Klein | Automne 2012 |
| Conférence 2 | Recherche mal informée | Dan Klein | Automne 2012 |
| Conférence 3 | Recherche éclairée | Dan Klein | Automne 2012 |
| Conférence 4 | Problèmes de satisfaction de contraintes I | Dan Klein | Automne 2012 |
| Conférence 5 | Problèmes de satisfaction de contraintes II | Dan Klein | Automne 2012 |
| Conférence 6 | Recherche contradictoire | Dan Klein | Automne 2012 |
| Conférence 7 | Expectimax et utilitaires | Dan Klein | Automne 2012 |
| Conférence 8 | Processus de décision markoviens I | Dan Klein | Automne 2012 |
| Conférence 9 | Processus de décision markoviens II | Dan Klein | Automne 2012 |
| Conférence 10 | Apprentissage par renforcement I | Dan Klein | Automne 2012 |
| Conférence 11 | Apprentissage par renforcement II | Dan Klein | Automne 2012 |
| Conférence 12 | Probabilité | Pieter Abbeel | Printemps 2014 |
| Conférence 13 | Modèles markoviens | Pieter Abbeel | Printemps 2014 |
| Conférence 14 | Modèles de Markov cachés | Dan Klein | Automne 2013 |
| Conférence 15 | Applications des HMM / Parole | Pieter Abbeel | Printemps 2014 |
| Conférence 16 | Les filets de Bayes : représentation | Pieter Abbeel | Printemps 2014 |
| Conférence 17 | Les filets de Bayes : l'indépendance | Pieter Abbeel | Printemps 2014 |
| Conférence 18 | Les filets de Bayes : inférence | Pieter Abbeel | Printemps 2014 |
| Conférence 19 | Filets de Bayes : échantillonnage | Pieter Abbeel | Automne 2013 |
| Conférence 20 | Diagrammes de décision / Valeur de l'information parfaite | Pieter Abbeel | Printemps 2014 |
| Conférence 21 | Apprentissage automatique : Bayes naïf | Nicolas Hay | Printemps 2014 |
| Conférence 22 | Apprentissage automatique : perceptrons | Pieter Abbeel | Printemps 2014 |
| Conférence 23 | Apprentissage automatique : noyaux et clustering | Pieter Abbeel | Printemps 2014 |
| Conférence 24 | Applications avancées : PNL, jeux et voitures robotisées | Pieter Abbeel | Printemps 2014 |
| Conférence 25 | Applications avancées : vision par ordinateur et robotique | Pieter Abbeel | Printemps 2014 |
De plus, il existe des vidéos étape par étape supplémentaires qui complètent le matériel de la conférence. Ces vidéos sont répertoriées ci-dessous :
| Titre de la conférence | Conférencier | Remarques | |
| SBS-1 | DFS et BFS | Pieter Abbeel | Lec : Recherche mal informée |
| SBS-2 | A* Recherche | Pieter Abbeel | Lec : Recherche Informée |
| SBS-3 | Taille alpha-bêta | Pieter Abbeel | Lec : Recherche contradictoire |
| SBS-4 | Séparation D | Pieter Abbeel | Lec : Les Filets de Bayes : Indépendance |
| SBS-5 | Élimination d'une variable | Pieter Abbeel | Lec : Les filets de Bayes : inférence |
| SBS-6 | Élimination des variables | Pieter Abbeel | Lec : Les filets de Bayes : inférence |
| SBS-7 | Échantillonnage | Pieter Abbeel | Lec : Filets de Bayes : Echantillonnage |
| SBS-8 | Probabilité maximale | Pieter Abbeel | Lec : Apprentissage automatique : Bayes naïf |
| SBS-9 | Lissage Laplace | Pieter Abbeel | Lec : Apprentissage automatique : Bayes naïf |
| SBS-10 | Perceptrons | Pieter Abbeel | Lec : Machine Learning : Perceptrons |
Les vidéos de conférences des offres les plus récentes sont publiées ci-dessous.
Vidéos des conférences du printemps 2014
Vidéos des conférences de l'automne 2013
Vidéos des conférences du printemps 2013
Vidéos des conférences de l'automne 2012
| Titre de la conférence | Conférencier | Remarques | |
| Conférence 1 | Introduction | Pieter Abbeel | |
| Conférence 2 | Recherche mal informée | Pieter Abbeel | |
| Conférence 3 | Recherche éclairée | Pieter Abbeel | |
| Conférence 4 | Problèmes de satisfaction de contraintes I | Pieter Abbeel | L'enregistrement est un peu irrégulier, voir la conférence 4 de l'automne 2013 pour une alternative |
| Conférence 5 | Problèmes de satisfaction de contraintes II | Pieter Abbeel | |
| Conférence 6 | Recherche contradictoire | Pieter Abbeel | |
| Conférence 7 | Expectimax et utilitaires | Pieter Abbeel | |
| Conférence 8 | Processus de décision markoviens I | Pieter Abbeel | |
| Conférence 9 | Processus de décision markoviens II | Pieter Abbeel | |
| Conférence 10 | Apprentissage par renforcement I | Pieter Abbeel | |
| Conférence 11 | Apprentissage par renforcement II | Pieter Abbeel | |
| Conférence 12 | Probabilité | Pieter Abbeel | |
| Conférence 13 | Modèles markoviens | Pieter Abbeel | |
| Conférence 14 | Modèles de Markov cachés | Pieter Abbeel | L'enregistrement est un peu irrégulier, voir la conférence 18 de l'automne 2013 pour une alternative |
| Conférence 15 | Applications des HMM / Parole | Pieter Abbeel | |
| Conférence 16 | Les filets de Bayes : représentation | Pieter Abbeel | |
| Conférence 17 | Les filets de Bayes : l'indépendance | Pieter Abbeel | |
| Conférence 18 | Les filets de Bayes : inférence | Pieter Abbeel | |
| Conférence 19 | Filets de Bayes : échantillonnage | Pieter Abbeel | Non enregistré, voir la conférence 16 de l'automne 2013 |
| Conférence 20 | Diagrammes de décision / Valeur de l'information parfaite | Pieter Abbeel | |
| Conférence 21 | Apprentissage automatique : Bayes naïf | Nicolas Hay | |
| Conférence 22 | Apprentissage automatique : perceptrons | Pieter Abbeel | |
| Conférence 23 | Apprentissage automatique : noyaux et clustering | Pieter Abbeel | |
| Conférence 24 | Applications avancées : PNL, jeux et voitures robotisées | Pieter Abbeel | |
| Conférence 25 | Applications avancées : vision par ordinateur et robotique | Pieter Abbeel | |
| Conférence 26 | Conclusion | Pieter Abbeel | Non enregistré |
| Titre de la conférence | Conférencier | Remarques | |
| Conférence 1 | Introduction | Dan Klein | |
| Conférence 2 | Recherche mal informée | Dan Klein | |
| Conférence 3 | Recherche éclairée | Dan Klein | |
| Conférence 4 | Problèmes de satisfaction de contraintes I | Dan Klein | |
| Conférence 5 | Problèmes de satisfaction de contraintes II | Dan Klein | |
| Conférence 6 | Recherche contradictoire | Dan Klein | |
| Conférence 7 | Expectimax et utilitaires | Dan Klein | |
| Conférence 8 | Processus de décision markoviens I | Dan Klein | |
| Conférence 9 | Processus de décision markoviens II | Dan Klein | |
| Conférence 10 | Apprentissage par renforcement I | Dan Klein | |
| Conférence 11 | Apprentissage par renforcement II | Dan Klein | |
| Conférence 12 | Probabilité | Pieter Abbeel | |
| Conférence 13 | Les filets de Bayes : représentation | Pieter Abbeel | |
| Conférence 14 | Les filets de Bayes : l'indépendance | Dan Klein | |
| Conférence 15 | Les filets de Bayes : inférence | Pieter Abbeel | |
| Conférence 16 | Filets de Bayes : échantillonnage | Pieter Abbeel | |
| Conférence 17 | Diagrammes de décision / Valeur de l'information parfaite | Pieter Abbeel | |
| Conférence 18 | Modèles de Markov cachés | Dan Klein | |
| Conférence 19 | Applications des HMM / Parole | Dan Klein | |
| Conférence 20 | Apprentissage automatique : Bayes naïf | Dan Klein | |
| Conférence 21 | Apprentissage automatique : perceptrons | Dan Klein | |
| Conférence 22 | Apprentissage automatique : noyaux et clustering | Pieter Abbeel | |
| Conférence 23 | Apprentissage automatique : arbres de décision et réseaux neuronaux | Pieter Abbeel | |
| Conférence 24 | Applications avancées : PNL et voitures robotisées | Dan Klein | Non enregistré, voir la conférence 24 du printemps 2013 |
| Conférence 25 | Applications avancées : vision par ordinateur et robotique | Pieter Abbeel | |
| Conférence 26 | Conclusion | Dan Klein, Pieter Abbeel | Non enregistré |
| Titre de la conférence | Conférencier | Remarques | |
| Conférence 1 | Introduction | Pieter Abbeel | Vidéo vers le bas |
| Conférence 2 | Recherche mal informée | Pieter Abbeel | |
| Conférence 3 | Recherche éclairée | Pieter Abbeel | |
| Conférence 4 | Problèmes de satisfaction de contraintes I | Pieter Abbeel | |
| Conférence 5 | Problèmes de satisfaction de contraintes II | Pieter Abbeel | Non enregistré, voir la conférence 5 de l'automne 2012 |
| Conférence 6 | Recherche contradictoire | Pieter Abbeel | |
| Conférence 7 | Expectimax et utilitaires | Pieter Abbeel | |
| Conférence 8 | Processus de décision markoviens I | Pieter Abbeel | |
| Conférence 9 | Processus de décision markoviens II | Pieter Abbeel | |
| Conférence 10 | Apprentissage par renforcement I | Pieter Abbeel | |
| Conférence 11 | Apprentissage par renforcement II | Pieter Abbeel | |
| Conférence 12 | Probabilité | Pieter Abbeel | |
| Conférence 13 | Les filets de Bayes : représentation | Pieter Abbeel | |
| Conférence 14 | Les filets de Bayes : l'indépendance | Pieter Abbeel | |
| Conférence 15 | Les filets de Bayes : inférence | Pieter Abbeel | |
| Conférence 16 | Filets de Bayes : échantillonnage | Pieter Abbeel | |
| Conférence 17 | Diagrammes de décision / Valeur de l'information parfaite | Pieter Abbeel | |
| Conférence 18 | Modèles de Markov cachés | Pieter Abbeel | |
| Conférence 19 | Applications des HMM / Parole | Pieter Abbeel | |
| Conférence 20 | Apprentissage automatique : Bayes naïf | Pieter Abbeel | |
| Conférence 21 | Apprentissage automatique : Perceptrons I | Nicolas Hay | |
| Conférence 22 | Apprentissage automatique : Perceptrons II | Pieter Abbeel | |
| Conférence 23 | Apprentissage automatique : noyaux et clustering | Pieter Abbeel | |
| Conférence 24 | Applications avancées : PNL et voitures robotisées | Pieter Abbeel | |
| Conférence 25 | Applications avancées : vision par ordinateur et robotique | Pieter Abbeel | |
| Conférence 26 | Conclusion | Pieter Abbeel | Non enregistré |
| Titre de la conférence | Conférencier | Remarques | |
| Conférence 1 | Introduction | Dan Klein | |
| Conférence 2 | Recherche mal informée | Dan Klein | |
| Conférence 3 | Recherche éclairée | Dan Klein | |
| Conférence 4 | Problèmes de satisfaction de contraintes I | Dan Klein | |
| Conférence 5 | Problèmes de satisfaction de contraintes II | Dan Klein | |
| Conférence 6 | Recherche contradictoire | Dan Klein | |
| Conférence 7 | Expectimax et utilitaires | Dan Klein | |
| Conférence 8 | Processus de décision markoviens I | Dan Klein | |
| Conférence 9 | Processus de décision markoviens II | Dan Klein | |
| Conférence 10 | Apprentissage par renforcement I | Dan Klein | |
| Conférence 11 | Apprentissage par renforcement II | Dan Klein | |
| Conférence 12 | Probabilité | Pieter Abbeel | |
| Conférence 13 | Les filets de Bayes : représentation | Pieter Abbeel | |
| Conférence 14 | Les filets de Bayes : l'indépendance | Pieter Abbeel | |
| Conférence 15 | Les filets de Bayes : inférence | Pieter Abbeel | |
| Conférence 16 | Filets de Bayes : échantillonnage | Pieter Abbeel | |
| Conférence 17 | Diagrammes de décision / Valeur de l'information parfaite | Pieter Abbeel | |
| Conférence 18 | Modèles de Markov cachés | Pieter Abbeel | |
| Conférence 19 | Applications des HMM / Parole | Dan Klein | |
| Conférence 20 | Apprentissage automatique : Bayes naïf | Dan Klein | |
| Conférence 21 | Apprentissage automatique : perceptrons | Dan Klein | |
| Conférence 22 | Apprentissage automatique : noyaux et clustering | Dan Klein | |
| Conférence 23 | Apprentissage automatique : arbres de décision et réseaux neuronaux | Pieter Abbeel | |
| Conférence 24 | Applications avancées : vision par ordinateur et robotique | Pieter Abbeel | |
| Conférence 25 | Applications avancées : PNL et voitures robotisées | Dan Klein, Pieter Abbeel | Non enregistré |
| Conférence 26 | Conclusion | Dan Klein, Pieter Abbeel | Non enregistré |
Voici l'ensemble complet des diapositives du cours, y compris les vidéos et les vidéos de démonstrations exécutées en cours : Slides [~3 Go].
La liste ci-dessous contient toutes les diapositives PowerPoint du cours :
Les fichiers sources de toutes les démos en direct pendant les cours sont en cours de préparation par Berkeley AI pour publication.
Dernières soumissions d'articles arxiv sur l'IA
Peter Norvig - Apprenez-vous à programmer en dix ans
Comment faire des recherches au MIT AI Lab
Une feuille de route vers l’intelligence artificielle
Filtrage collaboratif avec des réseaux de neurones récurrents (2016)
Apprentissage large et approfondi pour les systèmes de recommandation (2016)
Filtrage collaboratif approfondi via un encodeur automatique de débruitage marginalisé (2015)
Filtrage collaboratif bayésien multitâche non paramétrique (2013)
Tensorflow : Machine Learning à grande échelle sur des systèmes distribués hétérogènes
https://infoscience.epfl.ch/record/82802/files/rr02-46.pdf
Theano : un compilateur d'expressions mathématiques CPU et GPU.
Caffe : architecture convolutive pour une intégration rapide des fonctionnalités
Chainer : un cadre de réseaux de neurones puissant, flexible et intuitif
Réseaux profonds distribués à grande échelle
Classification vidéo à grande échelle avec des réseaux de neurones convolutifs
Estimation efficace des représentations de mots dans l'espace vectoriel
La grammaire comme langue étrangère
Aller plus loin avec les convolutions
SUR LES UNITÉS LINÉAIRES RECTIFIES POUR LE TRAITEMENT DE LA PAROLE
Réseaux de neurones profonds pour la modélisation acoustique dans la reconnaissance vocale : les points de vue partagés de quatre groupes de recherche.
Reconnaissance de nombres à plusieurs chiffres à partir d'images Street View à l'aide de réseaux neuronaux à convolution profonde
Google confie sa recherche lucrative sur le Web aux machines IA
Stanford Syllabus CS 20SI : Tensorflow pour la recherche en apprentissage profond
Étude comparative des frameworks logiciels de Deep Learning
** Reddit_ML – Que lisez-vous **
Source : https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53
Source : https://medium.com/intuitionmachine/the-deep-learning-roadmap-f0b4cac7009a
Source : https://medium.com/intuitionmachine/infographic-best-practices-in-training-deep-learning-networks-b8a3df1db53
Source : http://www.asimovinstitute.org/neural-network-zoo/
Source : https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet
Source : http://blogs.sas.com/content/subownedmusings/2017/04/12/machine-learning-algorithm-use/
Source : http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
Source : https://www.analyticsvidhya.com/blog/2015/09/full-cheatsheet-machine-learning-algorithms/
Source : http://datasciencefree.com/python.pdf
Source : https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics#gs.0x1rxEA
Source : https://www.dataquest.io/blog/numpy-cheat-sheet/
Source : http://datasciencefree.com/numpy.pdf
Source : https://www.datacamp.com/community/blog/python-numpy-cheat-sheet#gs.Nw3V6CE
Source : https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/numpy/numpy.ipynb
Source : http://datasciencefree.com/pandas.pdf
Source : https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.S4P4T=U
Source : https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/pandas/pandas.ipynb
Source : https://www.datacamp.com/community/blog/python-matplotlib-cheat-sheet
Source : https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/matplotlib.ipynb
Source : https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet#gs.fZ2A1Jk
Source : http://peekaboo-vision.blogspot.de/2013/01/machine-learning-cheat-sheet-for-scikit.html
Source : https://github.com/rcompton/ml_cheat_sheet/blob/master/supervised_learning.ipynb
Source : https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_operations.ipynb
Source : https://github.com/bfortuner/pytorch-cheatsheet
Source : http://www.wzchen.com/s/probability_cheatsheet.pdf
Source : https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf
Source : http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf
Source : http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N
