ai_all_resources

Une compilation ultime de ressources d'IA pour les mathématiques, l'apprentissage automatique et l'apprentissage profond

Les connaissances non partagées sont gaspillées. -Clan Jacobs

Cette collection est une compilation d'excellents didacticiels ML et DL créés par les personnes ci-dessous.

• Blog d'Andrej Karpathy
• Brandon Roher
• Andrew Trask
• Jay Alammar
• Sébastien Ruder
• Distiller
• StatQuest avec Josh Starmer
• envoyédex
• Lex Fridman
• 3Bleu1Marron
• Alexandre Amini
• Le train du codage
• Christophe Olah

Communautés à suivre

• AI Coimbatore Rejoindre ici ?
  • Télégramme : pour les mises à jour quotidiennes
  • Facebook : École d'IA de Coimbatore
• Groupe d'utilisateurs TensorFlow Coimbatore
  • Meetup : TFUGCbe
  • Facebook : TFUGCbe

Ce dépôt est créé et maintenu par

Navaneeth Malingan

Pourquoi la Data Science et par où commencer ?

• COMMENT COMMENCER AVEC L'APPRENTISSAGE MACHINE !
• Comment bâtir une carrière significative en science des données
• Mon master en intelligence artificielle auto-créé
• PyImageRecherche
• 5 étapes conviviales pour les débutants pour apprendre l'apprentissage automatique et la science des données avec Python

Introduction au ML

• Luis Serrano : une introduction conviviale à l'apprentissage automatique
• StatQuest : une introduction douce à l'apprentissage automatique
• L'apprentissage automatique pour tous Résumez les algorithmes d'apprentissage automatique et leurs applications avec des mots simples et des exemples concrets.

Tout le monde peut faire du Machine Learning

• Machine enseignable Entraînez un ordinateur à reconnaître vos propres images, sons et poses. Un moyen rapide et simple de créer des modèles d’apprentissage automatique pour vos sites, applications et bien plus encore – aucune expertise ni codage requis.

MOOC

• Apprentissage automatique par Andrew Ng, Stanford IMDB 10/10 LOL :P
• Datacamp : Ingénieur de données avec Python
• Introduction aux sujets d'apprentissage automatique abordés Naive Bayes, SVM, arbres de décision, régressions, valeurs aberrantes, clustering, mise à l'échelle des fonctionnalités, apprentissage de texte, sélection de fonctionnalités, PCA, validation, métriques d'évaluation
• Introduction à TensorFlow pour le Deep Learning Le meilleur cours pour apprendre TensorFlow
• Apprentissage automatique de bout en bout
• INSTITUT D'APPRENTISSAGE PROFONDE NVIDIA
• Introduction à l'apprentissage automatique pour les codeurs !
• Apprentissage profond pratique pour les codeurs, v3
• IA rapide

Cours des meilleures universités

Université de Stanford

• CS221 - Intelligence artificielle : principes et techniques par Percy Liang et Dorsa Sadigh
• CS229 - Apprentissage automatique par Andrew Ng
• CS230 - Apprentissage profond par Andrew Ng
• CS231n - Réseaux de neurones convolutifs pour la reconnaissance visuelle par Fei-Fei Li et Andrej Karpathy
• CS224n - Traitement du langage naturel avec apprentissage profond par Christopher Manning
• CS234 - Apprentissage par renforcement par Emma Brunskill
• CS330 - Multitâches approfondies et méta-apprentissage par Chelsea Finn
• CS25 - Transformateurs unis

Université Carnegie-Mellon

• CS/LTI 11-711 : PNL avancée par Graham Neubig
• CS/LTI 11-747 : Réseaux de neurones pour la PNL par Graham Neubig
• CS/LTI 11-737 : PNL multilingue par Graham Neubig
• CS/LTI 11-777 : Apprentissage automatique multimodal par Louis-Philippe Morency
• CS/LTI 11-785 : Introduction à l'apprentissage profond par Bhiksha Raj et Rita Singh
• Bootcamp PNL à faibles ressources CS/LTI 2020 par Graham Neubig

Institut de technologie du Massachusetts

• 6.S191 - Introduction au Deep Learning par Alexander Amini et Ava Amini
• 6.S094 - Apprentissage profond par Lex Fridman
• 6.S192 - Apprentissage profond pour l'art, l'esthétique et la créativité par Ali Jahanian

Collège universitaire de Londres

• Apprentissage par renforcement COMP M050 par David Silver

Listes de lecture YouTube ML

• Apprentissage automatique par StatQuest avec Josh Starmer
• Intelligence et apprentissage par The Coding Train

Glossaire de l'apprentissage automatique

• Ce glossaire définit les termes généraux du machine learning dans divers domaines, ainsi que les termes spécifiques à TensorFlow.

Principes fondamentaux de l'apprentissage automatique (ces termes seront souvent utilisés dans les algorithmes ci-dessous)

• Biais et variance
• Validation croisée
• Fondamentaux de l'apprentissage automatique : la matrice de confusion
• Sensibilité et spécificité
• ROC et AUC, clairement expliqués !
• StatQuest : R-carré expliqué
• Régularisation Partie 1 : Régression de crête
• Régularisation, partie 2 : régression au lasso
• Probabilité maximale
• Covariance et corrélation Partie 1 : Covariance
• Fondamentaux de la statistique : la moyenne, la variance et l'écart type
• Fondamentaux de la statistique : paramètres de population
• Glossaire : Statistiques
• Glossaire : Apprentissage automatique
• En regardant R-Carré

Mathématiques

• Mathématiques pour l'apprentissage automatique Dans cet article, j'ai compilé d'excellentes ressources électroniques (MOOC, conférences YouTube, livres) pour apprendre les mathématiques pour l'apprentissage automatique.
• Mathématiques pour l'apprentissage automatique - Livre Un excellent livre pour tout ce qui concerne les mathématiques pour l'apprentissage automatique. (eBook gratuit)
• Je vous recommande fortement de consulter les ressources suivantes de 3Blue1Brown
  • Essence de l'algèbre linéaire ▶️
  • Essène du calcul ▶️
  • Équations différentielles ▶️
• Gilbert Strang : algèbre linéaire vs calcul ▶️
• Bases du calcul intégral en tamoul ▶️
• Nouveau cours fast.ai : Algèbre linéaire computationnelle
• Livre d'algèbre linéaire

Python

• Tutoriels de programmation Python par Socratica ▶️
• Tutoriel Python par w3schools ?
• Apprendre la programmation Python ?

Numpy

• Une introduction visuelle à NumPy et à la représentation des données
• CS231n : Tutoriel Python Numpy
• Ressources NumPy : partie de la bibliothèque End-to-End Machine Learning
• 100 exercices numpy (avec solutions)
• 101 exercices NumPy pour l'analyse de données (Python)
• Tutoriel Numpy – Introduction à ndarray
• Cours Sci-Py : NumPy : créer et manipuler des données numériques
• Tutoriel Python NumPy pour les débutants ▶️ Apprenez les bases de la bibliothèque NumPy dans ce tutoriel pour débutants. Il fournit des informations générales sur le fonctionnement de NumPy et sa comparaison avec les listes intégrées de Python. Cette vidéo explique comment écrire du code avec NumPy. Cela commence par les bases de la création de tableaux, puis passe à des choses plus avancées. La vidéo couvre la création de tableaux, l'indexation, les mathématiques, les statistiques, le remodelage et bien plus encore.
• Tutoriel Python NumPy - Apprenez les tableaux NumPy avec des exemples
• Tutoriel Python Numpy Array
• Tutoriel NumPy : Analyse de données avec Python
• Prérequis du Deep Learning : la pile Numpy en Python ▶️

Pandas

• Une introduction visuelle douce à l'analyse de données en Python à l'aide de Pandas
• Analyse de données en Python avec pandas par Data School ▶️
• Bonnes pratiques avec les pandas par Data School ▶️
• Tutoriel Python Pandas : une introduction complète pour les débutants

Listes de lecture YouTube d'apprentissage automatique

• CodeBasics : Tutoriel d'apprentissage automatique Python ▶️
• StatQuest : apprentissage automatique ▶️
• sentdex : apprentissage automatique avec Python ▶️
• Simplilearn : vidéos de didacticiels sur l'apprentissage automatique ▶️
• Tutoriel d'apprentissage automatique en Python ▶️
• deeplizard : principes fondamentaux de l'apprentissage automatique et du deep learning ▶️

Explications visuelles ML, DL

• MLU-EXPLIQUER
• Explication de CNN

Remarque : Vous trouverez ci-dessous les meilleures conférences sur les algorithmes d'apprentissage automatique populaires.

Régression linéaire

• Régression linéaire : une introduction conviviale par Luis Serrano ▶️
• Statistiques 101 : Régression linéaire, les bases ▶️
• Terrain de jeu d’ajustement de ligne de régression
• Courbe de régression adaptée au terrain de jeu

Régression logistique

• Régression linéaire vs régression logistique | Formation en science des données | Édurêka ▶️
• Régression logistique et algorithme Perceptron : une introduction conviviale par Luis Serrano ▶️

Arbre de décision

• StatQuest : Arbres de décision ▶️
• StatQuest : Arbres de décision, partie 2 - Sélection des fonctionnalités et données manquantes ▶️
• Introduction de l'arbre de décision avec exemple ?
• Arbre de décision ?
• Python | Régression d'arbre de décision utilisant Sklearn ?
• ML | Régression logistique vs classification par arbre de décision ?

Forêt aléatoire

• StatQuest : Forêts aléatoires, partie 1 – Construire, utiliser et évaluer ▶️
• StatQuest : Forêts aléatoires, partie 2 : Données manquantes et regroupement ▶️
• Des forêts aléatoires pour les débutants complets ?

Stimuler l'apprentissage automatique

• Tutoriel Boosting Machine Learning | Boosting adaptatif, Boosting de dégradé, XGBoost | Édurêka ▶️
• AdaBoost, clairement expliqué ▶️
• Gradient Boost Partie 1 : Idées principales de régression ▶️
• Gradient Boost Partie 2 : Détails de la régression ▶️
• Gradient Boost Partie 3 : Classification ▶️
• Gradient Boost Partie 4 : Détails de la classification ▶️
• XGBoost Part1 : Arbres XGBoost pour la régression ▶️
• XGBoost Partie 2 : Arbres XGBoost pour la classification ▶️
• Méthodes d'ensemble Sci-kit learn

SVM

• Machines à vecteurs de support (SVM) : une introduction conviviale par Luis Serrano ▶️
• Machines à vecteurs de support, clairement expliquées !!! par StatQuest ▶️
• Machines à vecteurs de support, partie 2 : le noyau polynomial par StatQuest ▶️
• Machines à vecteurs de support, partie 3 : le noyau radial (RBF) par StatQuest ▶️
• Comment fonctionnent les machines à vecteurs de support / Comment ouvrir une boîte noire ▶️
• Machines à vecteurs de support - Les mathématiques de l'intelligence (semaine 1) ▶️
• Démystifier les machines à vecteurs de support ?
• Machine à vecteurs de support (SVM) - Apprentissage automatique amusant et facile ▶️

Théorème de Bayes

• Théorème de Bayes et rendre les probabilités intuitives ▶️
• Une introduction conviviale au théorème de Bayes et aux modèles de Markov cachés ▶️
• Le piège bayésien ▶️
• Classificateur Naive Bayes : une approche conviviale ▶️

K-Voisins les plus proches

• KNN à partir de zéro ?
• Les bases de l'apprentissage automatique avec l'algorithme K-Nearest Neighbours ?

K-Moyennes

• StatQuest : clustering K-means ▶️
• Tutoriel d'apprentissage automatique Python - 13 : K signifie clustering ▶️
• Algorithme de clustering K Means - Exemple de K Means en Python - Algorithmes d'apprentissage automatique - Edureka ▶️

Analyse en composantes principales (ACP)

• StatQuest : les idées principales du PCA en seulement 5 minutes !!! ▶️
• StatQuest : Analyse en composantes principales (ACP), étape par étape ▶️
• Analyse en composantes principales (ACP) par Luis Serrano ▶️

Modèles graphiques probabilistes

• Spécialisation Modèles Graphiques Probabilistes

Descente de dégradé à partir de zéro

Le meilleur

• Régression linéaire utilisant la descente de gradient ?
• Descente de gradient, étape par étape ▶️
• Descente de gradient stochastique, clairement expliquée !!! ▶️
• Comment fonctionne l'optimisation Une courte série sur les principes fondamentaux de l'optimisation pour l'apprentissage automatique
• Régression linéaire utilisant la descente de gradient
  • Code
• Régression polynomiale
• Descente de gradient en régression linéaire - Mathématiques ?
• Bases de la rétropropagation des réseaux neuronaux pour les nuls ▶️

Les très bons

• 3.4 : Régression linéaire avec descente de gradient - Intelligence et apprentissage ▶️
• 3.5 : Mathématiques de la descente de gradient - Intelligence et apprentissage ▶️
• 3.5a : Calcul : Règle de puissance – Intelligence et apprentissage ▶️
• 3.5b : Calcul : règle de chaîne – Intelligence et apprentissage ▶️
• 3.5c : Calcul : Dérivée Partielle - Intelligence et apprentissage ▶️

Dégradé de disparition

• Problème de dégradé en voie de disparition ▶️
• Comment surmonter le problème du gradient de disparition ▶️

Comment gérer les minimums locaux

• https://datascience.stackexchange.com/questions/24534/does-gradient-descent-always-converge-to-an-optimum
• https://datascience.stackexchange.com/questions/18802/does-mlp-always-find-local-minimum
• https://www.coursera.org/learn/deep-neural-network/lecture/RFANA/the-problem-of-local-optima

Scikit-apprendre

• Une introduction au machine learning avec scikit-learn ?
• Apprentissage automatique Python : didacticiel Scikit-Learn

Apprentissage profond

• DEEP BLUEBERRY BOOK Il s’agit d’une petite collection de liens très ciblée sur l’apprentissage profond. Si vous avez toujours voulu apprendre des choses sur le deep learning mais que vous ne savez pas par où commencer, vous êtes peut-être tombé au bon endroit !
• 6.S191 : Introduction à l'apprentissage profond (2019)
  • Cours magistraux (YouTube) - MIT 6.S191 : Introduction au Deep Learning
  • Laboratoire
• MIT 6.S191 Introduction à l'apprentissage profond (2020)
• MIT 6.S191 Introduction à l'apprentissage profond (2023) (YouTube)
• Bases du Deep Learning du MIT : introduction et aperçu
• Apprentissage profond du MIT par Lex Fridman
  • Conférences sur l'apprentissage profond (YouTube)
• Apprentissage profond en tamoul

Livres d'apprentissage approfondi

• Le manuel d'apprentissage en profondeur d'Ian Goodfellow, Yoshua Bengio et Aaron Courville
• Réseaux de neurones et apprentissage profond par Michael Nielsen
• Grokking Deep Learning par Andrew Trask

Documents d'apprentissage approfondi

• Feuille de route pour la lecture des articles d'apprentissage profond

N.N.

• Une introduction conviviale au Deep Learning et aux réseaux de neurones ▶️
• Apprentissage automatique pour les débutants : une introduction aux réseaux de neurones ? Une explication simple de leur fonctionnement et de la manière d'en implémenter un à partir de zéro en Python.
• Un guide visuel et interactif sur les bases des réseaux de neurones ?
• Un regard visuel et interactif sur les mathématiques de base des réseaux neuronaux ?
• Architectures de réseaux neuronaux ▶️
• Les réseaux de neurones démystifiés par Welch Labs ▶️
  • Code de support pour la courte série YouTube Neural Networks Demystified.
• Série Réseaux de neurones par 3Blue1Brows ▶️

Vision par ordinateur

• CS131 Computer Vision : Fondements et applications Automne 2019
• CS231A : Vision par ordinateur, de la reconstruction 3D à la reconnaissance Hiver 2018
• Réseaux de neurones convolutifs CS231n pour la reconnaissance visuelle
• Cahiers de vision par ordinateur

CNN

• CS231n : Réseaux de neurones convolutifs pour la reconnaissance visuelle printemps 2019
• CS231n : Réseaux de neurones convolutifs pour la reconnaissance visuelle
• Une introduction conviviale aux réseaux de neurones convolutifs et à la reconnaissance d'images
• Un guide complet sur les réseaux de neurones convolutifs - la méthode ELI5
• Réseau neuronal convolutif Tensorflow (CNN)
• Livre sur les réseaux convolutifs
• CNN, partie 1 : une introduction aux réseaux de neurones convolutifs
• CS231n Hiver 2016 PAR Andrej Karpathy 15 Vidéos
• Compréhension intuitive des convolutions 1D, 2D et 3D dans les réseaux de neurones convolutifs
• CNN Explainer Un système de visualisation interactif conçu pour aider les non-experts à en apprendre davantage sur les réseaux de neurones convolutifs (CNN)

Détection d'objet

Evolution des réseaux de détection d'objets par Cogneethi

Tutoriel approfondi sur la détection d'objets. Conférences sur l'intuition sur des sujets allant des techniques CV classiques comme HOG, SIFT aux techniques basées sur les réseaux neuronaux convolutifs comme Overfeat, Faster RCNN, etc. Vous apprendrez comment les idées ont évolué depuis certains des premiers articles jusqu'aux articles actuels. D’où le nom Evolution of Object Detection Networks.

• TAMISER | Transformation de caractéristiques invariantes d'échelle
• Intuition du porc | Histogramme des dégradés orientés
• NMS | Suppression non maximale
• Localisation d'objets | Régression de la boîte englobante
• Détection d'objet
• RCNN
• Correspondance de pyramide spatiale | GPS
• Détection d'objets SPPNet
• Réseau RCNN rapide
• RCNN plus rapide
• Détection d'objets Yolo v4 - Comment ça marche et pourquoi c'est si incroyable !
• Frameworks et bibliothèques
  • Detectron2 par Facebook AI
  • MMDétection
  • MédiaPipe
  • YOLO
  • API de détection d'objets TensorFlow
  • Recettes de vision par ordinateur
• Outils d'étiquetage
  • ÉtiquetteImg
  • Roboflux
  • Studio d'étiquettes
• Exemples de codes
  • YOLO-Object-Counting-API

Détection d'objets 3D

• Annonce de l'ensemble de données Objectron | Blog Google sur l'IA
• MediaPipe Objectron | Objectron (détection d'objets 3D)

Segmentation d'images

• Tutoriel de vision par ordinateur : une introduction étape par étape aux techniques de segmentation d'images (partie 1)

GAN

• Une introduction conviviale aux réseaux contradictoires génératifs (GAN) par Luis Serrano
• Réseaux contradictoires génératifs (GAN) par Ahlad Kumar
• Construire notre premier GAN simple
• Édition de visage avec les réseaux contradictoires génératifs
• Auto-encodeurs variationnels
• Réseaux adverses génératifs (GAN) en 50 lignes de code (PyTorch)
• Modèles génératifs

Transfert de style

• TensorFlow CNN pour un transfert de style rapide ⚡???

PNL

• CS224n : traitement du langage naturel avec apprentissage profond
• La PNL et le Réformateur
• Le mot illustré2vec

RNN

• Guide illustré des réseaux de neurones récurrents : comprendre l'intuition
• Tout le monde peut apprendre à coder un LSTM-RNN en Python (Partie 1 : RNN) Petits pas vers les premiers souvenirs de votre réseau neuronal.
• L'efficacité déraisonnable des réseaux de neurones récurrents
• Une introduction aux réseaux de neurones récurrents pour les débutants Une présentation simple de ce que sont les RNN, de leur fonctionnement et de la manière d'en créer un à partir de zéro en Python.
• Attention et réseaux de neurones récurrents augmentés par Distill
• Visualiser la mémorisation dans les RNN par Distill L'inspection des amplitudes de gradient dans le contexte peut être un outil puissant pour voir quand les unités récurrentes utilisent une compréhension contextuelle à court ou à long terme.
• Deep Learning pour la PNL : les ANN, les RNN et les LSTM expliqués !

LSTM

• Comprendre les réseaux LSTM
• Implémentation LSTM expliquée
• Une introduction douce aux auto-encodeurs LSTM

Transformateurs et attention personnelle

Guide visuel des réseaux de neurones transformateurs (fortement recommandé)

• Partie 1 - Intégrations de positions
• Partie 2 - Multi-têtes et auto-attention
• Partie 3 - Attention masquée du décodeur
• Liste de lecture d'attention des transformateurs PNL
• Le transformateur illustré
• Le transformateur annoté
• Papier et code des transformateurs
• Transformateurs à partir de zéro
• Remarques sur les transformateurs
• Transformateurs expliqués : comprendre le modèle derrière GPT-3, BERT et T5
• Un aperçu complet des variantes de Transformer.
• Comment devenir un gourou du modèle PNL et Transformer
• [MASTERCLASS] Transformateurs | Modèles d'attention

BERTE

• Expliquer BERT simplement à l'aide de croquis
• Un guide visuel pour utiliser BERT pour la première fois
• Le BERT illustré, ELMo et co. (Comment la PNL a piraté l'apprentissage par transfert)
• BERT expliqué : modèle de langage de pointe pour le PNL
• BioBERT, un modèle de représentation linguistique pour le domaine biomédical, spécialement conçu pour les tâches d'exploration de texte biomédicales telles que la reconnaissance d'entités nommées biomédicales, l'extraction de relations, la réponse à des questions, etc.

Google Tag

• Le GPT-2 illustré (visualisation des modèles de langage de transformateur)

Apprentissage par renforcement

• Cours d'apprentissage par renforcement profond ?️ Un cours gratuit d'apprentissage par renforcement profond du débutant à l'expert.
• Implémentation d'algorithmes d'apprentissage par renforcement. Python, OpenAI Gym, Tensorflow. Exercices et solutions pour accompagner le livre de Sutton et le cours de David Silver.
• Boîte à outils des agents d'apprentissage automatique Unity
• ÉCRITURE DE MON PREMIER JEU D'APPRENTISSAGE MACHINE ! (1/4)
• Apprentissage par renforcement profond : Pong à partir de pixels par Andrej Karpathy
• Un guide du débutant sur l'apprentissage par renforcement profond
• Une introduction aux agents ML Unity
• Algorithmes d'apprentissage par renforcement profond avec PyTorch
• CONFÉRENCES : Introduction à l'apprentissage par renforcement - David Silver
• LIVRE : Apprentissage par renforcement - Une introduction par Sutton et Barto
• LIVRE : Apprentissage pratique par renforcement profond par Maxim Lapan

PyTorch

• Udacity : Apprentissage profond avec PyTorch
• Apprentissage profond (PyTorch) : Coder
• Udacity : IA sécurisée
• ÉCRITURE DE LA TORCHE
• PyTorchZeroToAll (en anglais) Sung Kim une série de 14 vidéos
  • Code de support
  • Diapositives

TensorFlow

• Introduction à TensorFlow 2.0 : plus simple pour les débutants et plus puissant pour les experts (TF World '19)
• TensorFlow Lite : solution pour exécuter du ML sur l'appareil (TF World '19)
• Apprentissage automatique en JavaScript (TensorFlow Dev Summit 2018)
• Démarrage rapide de TensorFlow.js
• Keras et tf.keras : quelle est la différence dans TensorFlow 2.0 ?
• Comment exécuter TensorFlow Lite sur Raspberry Pi pour la détection d'objets
• Comment les ordinateurs apprennent à reconnaître instantanément les objets | Joseph Redmon

Cours TensorFlow

• Introduction à TensorFlow pour le Deep Learning
• Spécialisation TensorFlow en pratique : Coursera
• TensorFlow : spécialisation données et déploiement : Coursera

PyTorch contre TensorFlow

• Pourquoi PyTorch devient-il si populaire parmi les ingénieurs en apprentissage automatique ?

Apprentissage par transfert

• Transférer l'apprentissage avec Keras et Deep Learning
• Un guide pratique complet pour transférer l'apprentissage avec des applications du monde réel en Deep Learning
• Tutoriels TensorFlow Core

Déployer des modèles

• Machine Learning en 5 minutes : comment déployer un modèle ML (explique l'ingénieur SurveyMonkey)
• Déployer des modèles d'apprentissage automatique avec Django
• MlFlow - Une plateforme open source pour le cycle de vie de l'apprentissage automatique
• TensorFlow : spécialisation données et déploiement

MlOps

• MLOps Primer - 2021 Une collection de ressources pour en savoir plus sur MLOps.

Code

• bases de code/py
• Ateliers de programmation Google

Aide-mémoire

• Intelligence artificielle
• Apprentissage automatique
• Apprentissage profond
• Trucs et astuces pour l’apprentissage automatique
• Outils de science des données
• Apprentissage automatique avec R
• CHRIS ALBON Aide-mémoire et cartes flash
• MLOps Tooling Landscape v2 (+84 nouveaux outils) - décembre 20
• Outils mathématiques
• Équations différentielles ordinaires pour les ingénieurs

Kits EdgeML

• Kit de développement Nvidia Jetson Nano
• Intel® Neural Compute Stick 2 (Intel® NCS2)
• Corail

Concours de science des données

• Kaggle

Youtube important ? Canaux dans le domaine de l'AI/ML/RL/DS

• 3Bleu1Marron
• StatQuest avec Josh Starmer
• Envoyé
• Luis Serrano
• Brandon Rohrer
• lézard des profondeurs
• Technologie avec Tim
• Recherche Microsoft
• Corey Schäfer
• École de données
• Documents de deux minutes
• Laboratoires Welch
• Simplifier
• Excellent apprentissage
• DeepLearning.TV
• TensorFlow
• Deeplearning.ai
• Puce de code
• edureka!
• Lex Fridman
• Le canal de l'intelligence artificielle
• freeCodeCamp.org
• CloudxLab
• Alexandre Amini
• Jeff Heaton
• Abhishek Thakur
• Le train du codage

Référence

• COMMENT COMMENCER AVEC L'APPRENTISSAGE MACHINE !
• Mon master en intelligence artificielle auto-créé
• https://end-to-end-machine-learning.teachable.com/courses/667372/lectures/11900568
• Fondamentaux du ML par StatQuest
• Apprentissage automatique avec Python par senddex
• 5 étapes conviviales pour les débutants pour apprendre l'apprentissage automatique et la science des données avec Python - Daniel Bourke
• École de données
• Réseaux de neurones et apprentissage profond
• https://www.machinelearningisfun.com/
• https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471
• https://medium.com/greyatom
• https://greyatom.com/glabs
• John Searle : « La conscience dans l'intelligence artificielle » | Discussions chez Google
• https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning/tree/master/week3-classification-regression
• https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning