Accueil › Modules › Apprentissage Automatique et Réseaux de Neurones

Apprentissage Automatique et Réseaux de Neurones

Ressources rassemblées pour le module Apprentissage Automatique et Réseaux de Neurones : 57 documents (dont 28 PDF) : 18 cours, 11 TD et exercices, 5 examens, 17 TP. Les documents proviennent de plusieurs promotions et établissements et sont rangés par type pour réviser plus facilement.

28Fichiers PDF
18Cours
11TD et exercices
5Examens
17TP
6Autres documents
📁 Réseaux de neurones et apprentissage automatique📁 Apprentissage automatique et réseaux de neurones

Obtenir ce moduleVoir tous les modules

Organisation du dossier Apprentissage Automatique et Réseaux de Neurones

Voici la liste des dossiers et des documents de ce module.

├── 🔗📁 Réseaux de neurones et apprentissage automatique/
│ ├── 🔗📁 Cours Apprentissage Automatique et Réseaux de Neurones/
│ │ ├── 📁 Notes/
│ │ │ ├── 📄 M1 SII 2021_2022-notesEMD.pdf
│ │ │ ├── 📄 suj1V4Corr.pdf
│ │ │ ├── 📄 M1 IV 2021_2022-NotesEMD.pdf
│ │ │ └── 📄 Barème EMD.pdf
│ │ ├── 📁 revision/
│ │ │ └── 📄 formules.docx
│ │ ├── 📁 Projets/
│ │ │ └── 📄 Projet-finSemestre-SII.docx
│ │ ├── 📁 TP9/
│ │ │ └── 📄 bird_small.png
│ │ ├── 📁 TP7/
│ │ │ └── 📄 goodBoundary.PNG
│ │ └── 📁 powerpoints/
│ │ ├── 📄 Cours4-regression-logistique.pptx
│ │ ├── 📄 Cours3-Gradient-Descent-Multiple.pptx
│ │ ├── 📄 Cours2-Gradient-Descent.pptx
│ │ ├── 📄 Cours1-Introduction.pptx
│ │ ├── 📄 Cours8-Guassienne.pptx
│ │ ├── 📄 Cours6-RéseauxNeuronal.pptx
│ │ ├── 📄 Cours7-SVM.pptx
│ │ └── 📄 Cours5-Surapprentissage-Regularisation.pptx
│ ├── 📁 revision/
│ │ ├── 📄 formules.docx
│ │ └── 📄 formules.docx
│ ├── 📁 Projets/
│ │ └── 📄 Projet-finSemestre-SII.docx
│ ├── 📁 TP7/
│ │ ├── 📄 goodBoundary.PNG
│ │ └── 📄 goodBoundary.PNG
│ └── 📁 TP9/
│ ├── 📄 bird_small.png
│ └── 📄 bird_small.png
└── 🔗📁 Apprentissage automatique et réseaux de neurones/
├── 📄 solutions du controle continu 26 Avril 2016-Modèle A.pdf
├── 📄 Divers Exercices.pdf
├── 📄 solution -controle continu 18 Mai 2013.pdf
├── 📁 Projet/
│ ├── 📄 Script partie B.m
│ ├── 📄 BENDJOUDI_ROUGAB PARTIE A.pdf
│ ├── 📄 BENDJOUDI_ROUGAB_PARTIE B.pdf
│ ├── 📄 AARN-Description du Mini-Projet-Partie B - 21 Avril 2017.pdf
│ └── 📄 AARN - Description du Mini-Projet - Partie A - 22 Mars 2017.pdf
├── 📁 examens corrigés 2010-2017/
│ ├── 📄 Sujet AARN 2017.jpg
│ ├── 📄 solution EMD AARN - Mai 2017.pdf
│ ├── 📄 2010-apprentissage Rattrapage 2009-2010.pdf
│ ├── 📄 2010-apprentissage EMD 2009-2010.pdf
│ ├── 📄 2016-Solution EMD apprentissage - 29 Mai 2016.pdf
│ ├── 📄 2014-Solution EMD.pdf
│ ├── 📄 2013-solution EMD apprentissage - 30 Mai 2013.pdf
│ ├── 📄 2015-Solution EMD apprentissage - 1 Juin 2015.pdf
│ ├── 📄 2014-apprentissage EMD - 3 Juin 2014.pdf
│ ├── 📄 2012-solutions EMD apprentissage - 2 juin 2012.pdf
│ ├── 📄 2012-solution du Rattrapage du 14 juin 2012.pdf
│ ├── 📄 2012-apprentissage -Rattrapage 14 juin 2012.pdf
│ ├── 📄 2011-solution - apprentissage -EMD 5 juin 2011.pdf
│ ├── 📄 2012-apprentissage -EMD 2 juin 2012.pdf
│ ├── 📄 2010-solution- EMD 2010.pdf
│ └── 📄 2011-apprentissage -EMD 5 juin 2011.pdf
├── 📁 TPS/
│ ├── 📄 lab 3 - ann-intro.ppt
│ ├── 📄 Lab 2 - Intro a Matlab - AARN.docx
│ ├── 📄 Lab 1 - Intro a Matlab - AARN.docx
│ ├── 📄 Lab 4 - s 2015.docx
│ ├── 📄 Lab 10 - Application de résolution avec script- Nursery problem.docx
│ ├── 📁 Lab 9 - Nursery avec Script/
│ │ ├── 📄 target.txt
│ │ ├── 📄 input.txt
│ │ ├── 📄 ntrain.m
│ │ ├── 📄 mainROUGAB.m
│ │ └── 📁 Lab 9 - Nursery avec Script/
│ │ ├── 📄 nursery_data.txt
│ │ ├── 📄 Lab 9 - résolution avec script (1).pdf
│ │ ├── 📄 énoncé Lab 9 - Nursery.docx
│ │ └── 📄 nursery_data_description.txt
│ ├── 📁 Lab 5 - Alphapet+tests/
│ │ ├── 📄 1of26.txt
│ │ ├── 📄 binaire.txt
│ │ ├── 📄 lettres data - Copie.txt
│ │ ├── 📄 codage simple .txt
│ │ ├── 📄 Lab 5 - énoncé - Lettres.pdf
│ │ ├── 📄 Lab 5 - énoncé - Lettres.docx
│ │ └── 📁 LAB 5 tests/
│ │ ├── 📄 1.JPG
│ │ ├── 📄 LM2.JPG
│ │ ├── 📄 LM.JPG
│ │ ├── 📄 3.JPG
│ │ ├── 📄 2.JPG
│ │ ├── 📁 testes par couches et neurones méthode binaire 1 of 26/
│ │ │ ├── 📁 4 layers 90 70 50 30/
│ │ │ │ ├── 📄 RP reg.JPG
│ │ │ │ ├── 📄 SCG perform.JPG
│ │ │ │ ├── 📄 SCG reg.JPG
│ │ │ │ ├── 📄 RP train.JPG
│ │ │ │ ├── 📄 SCG train.JPG
│ │ │ │ └── 📄 RP perform.JPG
│ │ │ ├── 📁 3 layers 80 50 30/
│ │ │ │ ├── 📄 RP reg.JPG
│ │ │ │ ├── 📄 SCG reg.JPG
│ │ │ │ ├── 📄 RP train.JPG
│ │ │ │ ├── 📄 SCG train.JPG
│ │ │ │ ├── 📄 SCF perform.JPG
│ │ │ │ ├── 📄 RP perform.JPG
│ │ │ │ └── 📁 2 layers 80 50/
│ │ │ │ ├── 📄 SCG reg.JPG
│ │ │ │ ├── 📄 SCG train.JPG
│ │ │ │ ├── 📄 SCG perform.JPG
│ │ │ │ ├── 📄 RP train.JPG
│ │ │ │ ├── 📄 RP perform.JPG
│ │ │ │ └── 📄 RP reg.JPG
│ │ │ └── 📁 1 layer 50/
│ │ │ ├── 📄 RP reg.JPG
│ │ │ ├── 📄 RP train.JPG
│ │ │ ├── 📄 SCG train.JPG
│ │ │ ├── 📄 SCG reg.JPG
│ │ │ ├── 📄 RP perform.JPG
│ │ │ └── 📄 SCG perform.JPG
│ │ ├── 📁 binaire/
│ │ │ └── 📁 train rp/
│ │ │ ├── 📁 test 2/
│ │ │ │ ├── 📄 3.JPG
│ │ │ │ ├── 📄 2.JPG
│ │ │ │ └── 📄 1.JPG
│ │ │ └── 📁 test 1/
│ │ │ ├── 📄 2.JPG
│ │ │ ├── 📄 1.JPG
│ │ │ └── 📄 3.JPG
│ │ ├── 📁 best results/
│ │ │ ├── 📁 RP/
│ │ │ │ ├── 📄 6.JPG
│ │ │ │ ├── 📄 5.JPG
│ │ │ │ └── 📄 4.JPG
│ │ │ └── 📁 SCG/
│ │ │ ├── 📄 2.JPG
│ │ │ ├── 📄 3.JPG
│ │ │ └── 📄 1.JPG
│ │ └── 📁 1 26/
│ │ ├── 📁 best Lm/
│ │ │ ├── 📄 regress.JPG
│ │ │ ├── 📄 train.JPG
│ │ │ ├── 📄 stat.JPG
│ │ │ └── 📄 perform.JPG
│ │ ├── 📁 70 80/
│ │ │ ├── 📄 3.JPG
│ │ │ ├── 📄 2.JPG
│ │ │ └── 📄 1.JPG
│ │ ├── 📁 150 100 50/
│ │ │ ├── 📁 trainSCG/
│ │ │ │ ├── 📄 reg.JPG
│ │ │ │ ├── 📄 train.JPG
│ │ │ │ └── 📄 perf.JPG
│ │ │ └── 📁 trainRP/
│ │ │ ├── 📄 reg.JPG
│ │ │ ├── 📄 train.JPG
│ │ │ └── 📄 perf.JPG
│ │ └── 📁 80 50/
│ │ ├── 📄 Lm.JPG
│ │ ├── 📁 RP/
│ │ │ ├── 📄 reg.JPG
│ │ │ ├── 📄 train.JPG
│ │ │ └── 📄 perf.JPG
│ │ └── 📁 SCG/
│ │ ├── 📄 perf.JPG
│ │ ├── 📄 reg.JPG
│ │ └── 📄 train.JPG
│ └── 📁 Lab 7- car/
│ ├── 📄 oneofm.txt
│ ├── 📄 car_data_description.txt
│ ├── 📄 car_data simple.txt
│ ├── 📄 car_data one of m.txt
│ ├── 📄 car_data - Copie.txt
│ └── 📄 car statement.docx
└── 📁 cours/
├── 📄 chapitre 4 -decision trees _fr.pptx
├── 📄 chapitre 1 introduction fr.pptx
├── 📄 chapitre 5_Classifieurs KNN et Bayesiens fr - Copie.pptx
├── 📄 chapitre 3 -ANNs_fr.pptx
└── 📄 chapitre 2 -concept learning fr.pptx

Obtenir le module Apprentissage Automatique et Réseaux de Neurones

Choisis ce module dans le catalogue, renseigne ton e-mail et reçois l'accès à son dossier.

Obtenir ce module