[FR] Méga Classe IA & Python : 300+ Projets Pratiques

Introduction à la semaine 1 – Bases de Python

1:42

Jour 1 : Introduction à Python et configuration de l’environnement de développem

22:15

Jour 2 : Contrôle du flux dans Python

32:41

Jour 3 : Fonctions et modules

25:48

Jour 4 : Structures de données (Listes, Tuples, Dictionnaires, Ensembles)

32:59

Jour 5 : Manipulation des chaînes de caractères

25:25

Jour 6 : Gestion des fichiers

24:28

Jour 7 : Code Pythonique et travail sur projet

42:04

Introduction à la semaine 2 – Science des données

1:47

Jour 1 : Introduction à NumPy pour les calculs numériques

24:09

Jour 2 : Opérations avancées avec NumPy

23:40

Jour 3 : Introduction à Pandas pour la manipulation de données

21:19

Jour 4 : Nettoyage et préparation des données avec Pandas

26:57

Jour 5 : Agrégation et regroupement des données avec Pandas

16:10

Jour 6 : Visualisation des données avec Matplotlib et Seaborn

28:28

Jour 7 : Projet d’analyse exploratoire des données (EDA)

24:21

Introduction à la semaine 3 – Mathématiques pour le ML

1:48

Jour 1 : Fondamentaux de l’algèbre linéaire

23:41

Jour 2 : Concepts avancés en algèbre linéaire

21:11

Jour 3 : Calcul différentiel pour le ML

19:24

Jour 4 : Calcul intégral et optimisation

18:39

Jour 5 : Théorie des probabilités et distributions

26:14

Jour 6 : Fondamentaux en statistiques

20:17

Jour 7 : Mini projet mathématique – Régression linéaire depuis zéro

16:00

Introduction à la semaine 4 – Probabilités et statistiques

1:49

Jour 1 : Variables aléatoires et théorie des probabilités

19:17

Jour 2 : Distributions de probabilité dans le ML

18:51

Jour 3 : Inférence statistique – Estimation et intervalles de confiance

17:44

Jour 4 : Tests d’hypothèse et valeurs p

12:16

Jour 5 : Types de tests d’hypothèse

20:57

Jour 6 : Corrélation et régression

19:50

Jour 7 : Projet d’analyse statistique – Analyse de données réelles

26:02

Introduction à la semaine 5 – ML

1:49

Jour 1 : Bases du machine learning et terminologie

17:57

Jour 2 : Apprentissage supervisé et modèles de régression

16:25

Jour 3 : Régressions avancées – polynomiale et régularisation

31:53

Jour 4 : Classification et régression logistique

26:07

Jour 5 : Évaluation des modèles et validation croisée

17:04

Jour 6 : Algorithme des k-plus proches voisins (k-NN)

19:31

Jour 7 : Mini projet d’apprentissage supervisé

26:26

Introduction à la semaine 6 – Feature Engineering

1:46

Jour 1 : Introduction à l’ingénierie des caractéristiques

16:49

Jour 2 : Normalisation et mise à l’échelle des données

18:31

Jour 3 : Encodage des variables catégorielles

18:05

Jour 4 : Techniques de sélection de caractéristiques

17:17

Jour 5 : Création et transformation de caractéristiques

19:59

Jour 6 : Méthodes d’évaluation des modèles

17:52

Jour 7 : Validation croisée et réglage des hyperparamètres

21:18

Introduction à la semaine 7 – Algorithmes avancés

1:45

Jour 1 : Introduction à l’apprentissage ensembliste

16:33

Jour 2 : Bagging et forêts aléatoires

15:07

Jour 3 : Boosting et Gradient Boosting

17:07

Jour 4 : Introduction à XGBoost

20:29

Jour 5 : LightGBM et CatBoost

22:33

Jour 6 : Gérer les données déséquilibrées

18:57

Jour 7 : Projet – Comparaison de modèles sur données réelles

24:43

Introduction à la semaine 8 – Optimisation

1:57

Jour 1 : Introduction au tuning des hyperparamètres

15:36

Jour 2 : Grid Search et Random Search

3:01

Jour 3 : Optimisation bayésienne

28:24

Jour 4 : Techniques de régularisation

14:11

Jour 5 : Validation croisée et évaluation

14:01

Jour 6 : Tuning automatisé avec GridSearchCV et RandomizedSearchCV

21:35

Jour 7 : Projet – Construction et réglage du modèle final

24:22

Introduction à la semaine 9 – Deep Learning

1:52

Jour 1 : Concepts de base en deep learning

17:14

Jour 2 : Propagation avant et fonctions d’activation

15:29

Jour 3 : Fonctions de perte et rétropropagation

16:21

Jour 4 : Descente de gradient et techniques d’optimisation

23:52

Jour 5 : Création de réseaux avec TensorFlow et Keras

21:32

Jour 6 : Création de réseaux avec PyTorch

28:01

Jour 7 : Projet – Classification d’images avec CIFAR-10

23:07

Introduction à la semaine 10 – CNNs

1:53

Jour 1 : Introduction aux CNNs

28:00

Jour 2 : Couches convolutives et filtres

25:01

Jour 3 : Couches de pooling et réduction de dimension

25:24

Jour 4 : Architectures CNN avec Keras/TensorFlow

19:42

Jour 5 : Architectures CNN avec PyTorch

24:35

Jour 6 : Régularisation et augmentation de données

20:39

Jour 7 : Projet CNN – Classification Fashion MNIST ou CIFAR-10

29:04

Introduction à la semaine 11 – RNNs et séquences

1:54

Jour 1 : Introduction à la modélisation séquentielle

32:31

Jour 3 : Réseaux LSTM

16:45

Jour 4 : Unités GRU

8:40

Jour 5 : Prétraitement de texte et word embeddings

25:27

Jour 6 : Modèles séquence-à-séquence et applications

46:51

Jour 7 : Projet RNN – Génération de texte ou analyse de sentiment

19:55

Introduction à la semaine 12 – Transformers

1:52

Jour 1 : Mécanismes d’attention

17:39

Jour 2 : Architecture Transformer

19:17

Jour 3 : Attention multi-tête et auto-attention

22:51

Jour 4 : Encodage positionnel et réseaux feed-forward

21:17

Jour 5 : Utilisation de BERT et GPT pré-entraînés

21:09

Jour 6 : Transformers avancés – variantes BERT et GPT-3

22:07

Jour 7 : Projet Transformer – Résumé ou traduction de texte

20:30

Introduction à la semaine 13 – Transfer Learning

1:51

Jour 1 : Concepts de base de l’apprentissage par transfert

16:07

Jour 2 : Apprentissage par transfert en vision par ordinateur

28:50

Jour 3 : Techniques de fine-tuning en vision

23:12

Jour 4 : Transfer Learning en NLP

18:09

Jour 5 : Fine-tuning en NLP

28:33

Jour 6 : Adaptation de domaine et défis

16:57

Jour 7 : Projet – Fine-tuning pour une tâche personnalisée

20:35

Cours accéléré : Apprenez Python à partir de zéro

43:46

Jour 1 : Générateur de message de bienvenue : print & "Hello, World!"

13:20

Jour 2 : Programme de salutation : variables et types de données

15:54

Jour 3 : Calculatrice simple : saisie utilisateur & formatage

14:06

Jour 4 : Outil de comparaison : instructions if-else

14:43

Jour 5 : Minuteur : boucles (for & while)

13:06

Jour 6 : Quiz de maths basique : fonctions

17:29

Jour 7 : Liste de courses : listes

20:08

Jour 8 : Carnet d’adresses : dictionnaires

23:02

Jour 9 : Vérificateur d’ingrédients : tuples et ensembles

17:47

Jour 10 : Prise de notes : gestion de fichiers

19:57

Jour 11 : Calculatrice sécurisée : gestion des exceptions

17:08

Jour 12 : Convertisseur de température : fonctions avec retour

16:14

Jour 13 : Gestion des notes : compréhensions de listes

15:43

Jour 14 : Générateur de mots de passe : modules & bibliothèques

18:38

Jour 15 : Visionneuse de recettes : lecture de fichiers

17:57

Jour 16 : Journal quotidien : écriture de fichiers

17:47

Jour 17 : Rapport étudiant : fichiers CSV

17:55

Jour 18 : App de tâches : fichiers JSON

19:16

Jour 19 : App météo avec API : API de base

20:06

Jour 20 : Minuteur d'événement : dates & heure

16:26

Jour 21 : Récupérateur d’article Wikipédia : web scraping

24:36

Jour 22 : Simulateur de compte bancaire : classes & objets

22:03

Jour 23 : Gestion de bibliothèque : constructeurs & méthodes

19:48

Jour 24 : Gestion des employés : héritage

26:40

Jour 25 : Simulateur d’animaux : polymorphisme

16:24

Jour 26 : Profil utilisateur sécurisé : encapsulation

20:26

Jour 27 : Gestion d’inventaire : méthodes statiques & de classe

19:45

Jour 28 : Mini DAB : projet final en POO

19:49

Jour 29 : App GUI simple : bases de Tkinter

22:27

Jour 30 : Compteur de clics : boutons & événements

23:20

Jour 31 : Calculatrice IMC : champs de saisie

23:26

Jour 32 : Bloc à dessin : canvas widgets

25:45

Jour 33 : Connexion simple : boîtes de message

20:27

Jour 34 : Liste de tâches GUI : widgets avancés

22:45

Jour 35 : Suivi de dépenses : projet final GUI

23:56

Jour 36 : Bonjour Flask : bases de Flask

22:29

Jour 37 : Blog personnel : routes & templates

32:24

Jour 38 : Formulaire de contact : formulaires & saisies

16:56

Jour 39 : Inscription utilisateur : base de données

22:30

Jour 40 : Mini API météo : APIs REST

20:59

Jour 41 : Déploiement Flask : hébergement

21:06

Jour 42 : Site portfolio : projet final Flask

18:33

Jour 43 : Calculatrice matricielle : NumPy

21:05

Jour 44 : Nettoyeur de données : Pandas

19:13

Jour 45 : Générateur de graphiques : Matplotlib

20:51

Jour 46 : Analyse des ventes : data analysis

26:55

Jour 47 : Courbe de température : visualisation

20:53

Jour 48 : Suivi de bourse : data scraping

19:22

Jour 49 : Tableau de bord COVID-19 : projet final

21:21

Jour 50 : Tableau de bord météo

31:29

Jour 51 : Suivi de dépenses

20:09

Jour 52 : Organiseur de fichiers

18:24

Jour 53 : Jeu du morpion

27:06

Jour 54 : Mini chatbot

12:49

Jour 55 : Organiseur de playlist

22:28

Jour 56 : Planificateur de budget

16:54

Jour 57 : Générateur d’art ASCII

16:12

Jour 58 : Minuteur Pomodoro

24:41

Jour 59 : Convertisseur Markdown → HTML

19:39

Jour 60 : Journal personnel

20:27

Jour 61 : Scraper de réseaux sociaux

15:36

Jour 62 : Sauvegarde automatique

15:02

Jour 63 : Système de recommandation films

18:45

Jour 64 : Fusionneur de PDFs

12:51

Jour 65 : Backend de site portfolio

23:18

Jour 66 : App de flashcards

11:42

Jour 67 : Tableau boursier

18:32

Jour 68 : Planificateur de tâches

17:34

Jour 69 : Convertisseur de devises

13:52

Jour 70 : Visualiseur de données

20:54

Jour 71 : Détecteur de spam

25:24

Jour 72 : Analyse de sentiment

13:46

Jour 73 : Reconnaissance d’écriture

27:10

Jour 74 : Assistant vocal

18:23

Jour 75 : App de détection de visage

20:21

Jour 76 : Système de recommandation simple

15:19

Jour 77 : Chatbot IA avec NLP

14:59

Jour 78 : Détection d’objets

12:52

Jour 79 : Traducteur de langues

12:51

Jour 80 : Détecteur de fake news

15:15

Introduction aux algorithmes de ML et leur implémentation

4:10

1. Régression linéaire

7:11

2. Régression Ridge et Lasso

9:43

3. Régression polynomiale

8:13

4. Régression logistique

7:38

5. K plus proches voisins (KNN)

7:58

6. Machines à vecteurs de support (SVM)

7:12

7. Arbres de décision

7:58

8. Forêts aléatoires (Random Forests)

7:41

9. Gradient Boosting

7:57

10. Naive Bayes

7:32

11. K-Means clustering

5:52

12. Regroupement hiérarchique

6:50

13. DBSCAN

5:28

14. Modèles de mélange gaussien (GMM)

5:25

15. ACP (Analyse en composantes principales)

5:15

16. t-SNE (t-Distributed Stochastic Neighbor Embedding)

6:46

17. Autoencodeurs

9:24

18. Self-training

7:25

19. Q-learning

10:41

20. Réseaux de neurones profonds Q (DQN)

15:18

21. Méthodes Policy Gradient

11:17

22. One-Class SVM

5:49

23. Forêt d’isolation

6:30

24. Réseaux de neurones convolutifs (CNNs)

9:07

25. Réseaux neuronaux récurrents (RNNs)

8:16

26. Mémoire à long court terme (LSTM)

8:06

27. Transformers

12:20