By promoting education for all, collaboration and knowledge sharing, OpenClassrooms has become the Number One e-Education website in French, gathering 1144 courses and more than 2,500,000 learners every month
Dans ce cours, vous apprendrez :à mettre sous forme quantitative la notion subjective de ressemblance entre deux signaux ;à tracer le spectre d’un signal temporel et à en interpréter le résultat ;à utiliser la convolution et l’inter-corrélation.Vous allez apprendre à manipuler les outils grâce à des exemples qui illustrent des situations typiques, où ces outils sont utilisés “dans la vraie vie”.Bien que le cours se contente d’aborder essentiellement cette problématique dans le cadre de signaux 1D (séries temporelles), l’extension aux signaux 2D (images) ne devrait pas vous poser de problème conceptuel par la suite.
Vous êtes intéressé·e par la Data Science et vous cherchez justement une porte d'entrée vers ce domaine en plein essor ? Ce cours d'initiation au machine learning est fait pour vous !Le machine learning (aussi appelé apprentissage automatique en français) est un outil essentiel des Data Scientists, qui a grandement fait parler de lui ces dernières années de par les applications exceptionnelles qu’il a permises... Une fois que le ou la Data Scientist a effectué son travail de collecte, de nettoyage et d’exploration des données, il peut passer à la partie de modélisation statistique. C’est ce processus que nous allons explorer ensemble dans ce premier cours consacré au machine learning, un ensemble de techniques puissantes permettant de créer des modèles prédictifs à partir de données, sans avoir été explicitement programmées.Les compétences d’un·e Data Scientist résident non seulement dans sa capacité à traduire les challenges de l’entreprise en problèmes de machine learning, mais aussi dans son agilité à proposer des solutions qui peuvent aider à résoudre ces problèmes de manière performante.Je vous propose d'aborder cela avec moi, étape par étape, en restant concret et au plus proche des problématiques actuelles que permet de résoudre la Data Science. C'est parti ?Pré-requis :Ce cours est un cours d'initiation au machine learning, un domaine au croisement des mathématiques et de l'informatique. Pour en profiter pleinement, n'hésitez pas à vous rafraîchir la mémoire, avant ou pendant le cours, sur :Python pour le calcul numérique que nous utiliserons dans la partie TP du cours (librairie numpy et création de graphes avec pyplot)Quelques notions d'algèbre linéaire, telles que manipulation de vecteurs, multiplications de matrices, normesQuelques notions de probabilités et statistiques, telles que distribution de loi de probabilité et variancePour suivre ce cours dans les meilleurs conditions, n'hésitez pas à suivre cette leçon introductive au Machine Learning en vidéo.
Dans le cours Entraînez un modèle prédictif linéaire, vous avez appris à construire des modèles linéaires de classification binaire ou multi-classe et de régression.Mais ceux-ci peuvent ne pas être adaptés à la nature de vos données. Dans ce cours, vous apprendrez à entraîner des modèles supervisés non-linéaires sur vos données.Vous comprendrez comment construire un modèle non-linéaire grâce à une redescription des données, et saurez utiliser les méthodes à noyaux, qui permettent d’étendre les notions de SVM et de régression ridge au cas non-linéaire.Prérequis :Ce cours fait partie du parcours Data Scientist. Il se situe au croisement des mathématiques et de l'informatique. Pour en profiter pleinement, n'hésitez pas à vous rafraîchir la mémoire, avant ou pendant le cours, sur :Python pour le calcul numérique (numpy) et la création de graphiques (pyplot), que nous utiliserons dans les parties TP du cours,Quelques notions d'algèbre linéaire : manipulation de vecteurs, multiplications de matrices, normes, et valeurs/vecteurs propres,Quelques notions de probabilités et statistiques, telles que distribution de loi de probabilité et variance,Les notions de régression linéaire ridge et SVM.
Vous avez un projet entrepreneurial, créatif ou innovant ? Vous souhaitez le faire financer par le crowdfunding, mais vous ne savez pas comment vous y prendre ? Ce cours est fait pour vous !Le crowdfunding, ou le financement participatif est un mode de financement collaboratif des projets, qui plait autant aux investisseurs qu’au grand public. Si les plateformes (Kiss Kiss Bank Bank, Kick starter…) légitiment et créent les conditions favorables (confiance et visibilité), c’est à vous, porteur de projet de conquérir votre communauté et votre marché en préparant une campagne efficace.Dans ce cours, nous vous aiderons, à construire pas à pas, votre campagne de financement participatif :Quelle plateforme choisir ?Comment identifier les critères pour votre propre campagne ?Comment mobiliser et impliquer votre communauté pour booster les participations ?Comment élaborer un plan de communication efficace et adapté à votre projet ?
Bienvenue dans ce cours de traitement du langage naturel ! L’objectif de ce cours est de comprendre les méthodes qui permettent de transformer le texte en features exploitables par des algorithmes de machine learning classiques, et les architectures et modèles qui correspondent le mieux à ce type de données. En l’occurence un ensemble de documents texte non-structurés.Ce cours est donc divisé en 3 parties : une première qui traite de l'exploration, du nettoyage et de la normalisation du texte. Une seconde partie est dédiée au différents types de transformations qui vont nous permettre de mieux comprendre nos données textuelles et de créer des features que nous pourrons utiliser dans les algorithmes classiques de machine learning. La dernière partie sera consacrée à la classification du texte à l'aide de l'apprentissage automatique.Prérequis :Ce cours fait partie du parcours Data Scientist. Il se situe au croisement des mathématiques et de l'informatique. Pour en profiter pleinement, n'hésitez pas à vous rafraîchir la mémoire, avant ou pendant le cours, sur :Python pour le calcul numérique (numpy) et la création de graphiques (pyplot), que nous utiliserons dans les parties TP du cours,Quelques notions d'algèbre linéaire : manipulation de vecteurs, multiplications de matrices, normes, et valeurs/vecteurs propres,Quelques notions de probabilités et statistiques, telles que distribution de loi de probabilité et varianceLes modèles non-supervisées permettront de modéliser des features automatiquement à partir du texteLes modèles supervisées non-linéaires sont indispensables au traitement du texte, notamment les réseaux de neurones séquentiels
Comment gérer une énorme base de données et comment l'interroger efficacement ? Ces questions, on se les pose dès que le volume devient ingérable et que répondre à de simples requêtes prend des heures.Oubliez les SGBD traditionnels, ils peinent à passer à l'échelle ! Vous devez être capable de choisir la bonne solution parmi les dizaines qui s'offrent à vous.Dans ce cours, vous découvrirez l'univers du NoSQL. Nous ferons un focus sur deux solutions NoSQL extrêmement populaires : MongoDb et ElasticSearch. Vous apprendrez à stocker et à réaliser des requêtes sur vos données tout en assurant le passage à l'échelle.Vous voulez faire du NoSQL et dire adieu aux bases relationnelles ? C'est parti !Prérequis :Bases de donnéesCompréhension des bases de données relationnellesLangage de requêtes SQLNotions d'optimisation de bases de données : indexation, hachage, plans d’exécutionIngénierie informatiqueBonne connaissance de l'environnement UNIXConnaissances réseau élémentaires
Que faire lorsque la complexité de vos applications dépasse votre capacité de calcul ? La solution consiste à distribuer les calculs sur un cluster constitué de plusieurs machines, mais faut-il pour cela avoir un supercalculateur dans son garage ? Non ! Aujourd'hui, le cluster computing est à la portée de tous grâce à MapReduce, qui permet de créer facilement des applications distribuées, et au cloud, qui fournit des ressources de calculs pratiquement infinies pour un coût modique.C'est le rôle des Data Architects de déployer des clusters de calculs permettant de réaliser des analyses complexes sur des données massives. Pour cela, nous verrons ensemble comment écrire des applications distribuées avec Hadoop MapReduce et Spark, éléments essentiels de la boîte à outil des Data Architects. À l'issue de ce cours, vous serez en mesure de lancer des calculs distribués sur des clusters contenant des dizaines de machines à l'aide d'Amazon Web Services.Vous voulez faire du Big Data sans blabla ? Alors on y va !Prérequis :AlgorithmiqueEstimation et optimisation de complexité en temps et espace, notation asymptotiqueStructures de données (listes, piles, files, ensembles, tas, arbres binaires de recherche, tables de hachage)Théorie des graphes (parcours, plus court chemin)Conception d'algorithmes (diviser pour régner, force brute)ProgrammationSolides connaissances en programmation objet (Java, Scala, Python, Ruby, C++ ou autre)Structures de donnéesNotions de parallélisationIngénierie informatiqueSolides connaissances de l'environnement UNIXGestion de la mémoire et des transferts de donnéesConnaissances élémentaires des réseaux
Lors de la conception d’une architecture Big Data, la première question concerne le stockage pur et simple des données brutes.Où stocker les données ? Selon quel format ? Selon quelle hiérarchie ? Les solutions choisies doivent répondre à des impératifs de passage à l’échelle puisque la quantité de données à stocker va toujours croissant. Mais il ne s’agit pas pour autant d’archivage car il faut établir un accès aisé aux données pour permettre leur exploitation par des applications tierces.Dans ce cours, vous apprendrez à concevoir un Data Lake : il s’agit d’un dépôt de données brutes accessible en lecture seule qui doit être la source de données de référence utilisée par les autres applications de traitement de données. C’est donc un composant fondamental de toute architecture Big Data !Vous trouviez le stockage de données boring ? Vous allez changer d’avis !Prérequis :Programmation : Connaissances en programmation objet (Java, Scala, Python, Ruby, C++ ou autre) et en structures de données.Ingénierie informatique :- Solides connaissances de l'environnement Unix.- Gestion de la mémoire et des transferts de données.- Connaissances réseau élémentaires.
Vous pensez que l’entrepreneuriat n’est pas pour vous ? Qu’il faut obligatoirement de grandes idées ? Que seuls de grands noms comme Bill Gates, Steve Jobs, etc. sont des entrepreneurs ? Notre cours a pour objectif de rompre avec ces idées reçues et vous montrer que vous pouvez vous aussi devenir entrepreneur. Quel est son quotidien ? Quelles sont ses qualités ? Comment les acquérir ? Comment mettre en place son projet ?Tout au long de ce cours, nous allons vous faire découvrir la réalité qui se cache derrière ce mot à la mode et vous proposer tous les outils pour vous aider à identifier comme tel.L’entrepreneuriat c’est avant tout un état d’esprit, alors osez !Ce cours a été réalisé avec la participation de :- Dominique Fayet, expert en création et financement d'entreprise, et professeur à l'ESG Management School- Jérémie Renouf, expert en création et financement d'entreprise- Pierre Conreaux, co-fondateur de WalterMelon BTP et professeur à l'ESG Management School.Pré requis : Aucun.
Bienvenue dans le cours de vision par ordinateur ! Dans ce cours, vous allez apprendre à classifier des images à l'aide des algorithmes issus du Machine Learning, en particulier de l'apprentissage supervisé (approche plutôt traditionnelle) et du Deep Learning (approche très moderne).La première partie vous permettra d'acquérir les bases en traitement d'images, en particulier les opérations de lissage avec les filtres. Dans une deuxième partie, vous découvrirez la notion fondamentale de features en vision, et étudierez les méthodes classiques de détection et de description de features. Vous pourrez alors développer votre premier algorithme de classification d'images, en entraînant un algorithme d'apprentissage supervisé sur les features extraites. Enfin, la troisième partie est dédiée aux fameux réseaux de neurones convolutifs (CNN), qui constituent aujourd'hui les algorithmes les plus performants pour classer des images.Prérequis :Ce cours fait partie du parcours Data Scientist. Il se situe au croisement des mathématiques et de l'informatique. Pour en profiter pleinement, n'hésitez pas à vous rafraîchir la mémoire, avant ou pendant le cours, sur :Python pour le calcul numérique (numpy) et la création de graphiques (pyplot), que nous utiliserons dans les parties TP du coursQuelques notions d'algèbre linéaire : manipulation de vecteurs, multiplications de matrices, normes, et valeurs/vecteurs propresQuelques notions de probabilités et statistiques, telles que distribution de loi de probabilité et varianceLes méthodes supervisées linéairesLes méthodes supervisées non-linéaires, en particulier les réseaux de neurones
Vous êtes étudiants et vous souhaitez maîtriser les enjeux et les fondamentaux d’un Business plan ? Vous êtes entrepreneurs ou futurs dirigeants, et vous devez rédiger votre Business plan afin de monter votre projet entrepreneurial ? Ou encore vous êtes cadres en entreprise, et vous souhaitez perfectionner vos compétences sur le Business plan ? Ce cours est fait pour vous !Il existe de nombreux supports sur Internet, et conseils pour créer un Business plan mais comment construire et organiser un Business plan cohérent avec votre projet entrepreneurial ? Comment identifier les éléments de réflexion utiles dès la phase en amont qui vous permettront de prendre certaines décisions ?Dans ce cours, nous vous proposons de découvrir les éléments de base constituant un BP, et de construire pas à pas, un Business plan pertinent. Quels critères sont pris en compte lors de la lecture d’un Business plan ? Qu’est-ce qu’un bon Business plan ? Comment est-il organisé ? Comment identifier son offre ? Son marché ? Comment rédiger les éléments financiers ? Autant de questions auxquels nous vous proposons de répondre !Vous êtes prêt ? Allez, c’est parti !
Après avoir étudié les méthodes supervisées linéaires et non-linéaire les plus utilisés dans les cours précédent, il est temps d'aborder la famille des méthodes ensemblistes.Êtes-vous prêt·e à décupler la puissance de vos modèles grâce aux méthodes ensemblistes ? C'est ce que nous allons voir dans ce cours, en nous intéressant à une famille d'algorithme parmi les plus performantes actuellement.En effet, en utilisant de manière rusée notre jeu de données, nous pouvons exploiter tout son potentiel, en créant un grand nombre de petit modèles rapidement puis en développant un méta-modèle qui les rassemble.Suivez ce cours pour apprendre les deux familles de modèles les plus utilisées par les data scientists : les méthodes parallèles avec les forêts aléatoires et les méthodes séquentielles dont le modèle phare est le gradient boosting.PrérequisCe cours de Data Science se situe au croisement des mathématiques et de l'informatique. Pour en profiter pleinement, n'hésitez pas à vous rafraîchir la mémoire, avant ou pendant le cours, sur :Python pour le calcul numérique que nous utiliserons dans la partie TP du cours (librairie numpy et création de graphes avec pyplot)Quelques notions d'algèbre linéaire, telles que manipulation de vecteurs, multiplications de matrices, normesQuelques notions de probabilités et statistiques, telles que distribution de loi de probabilité et varianceLe cours sur les méthodes supervisées linéaire et non linéaires
Grande nouvelle ! La plateforme universelle (UWP) est désormais disponible sous Windows 10 et elle simplifie le développement de vos applications en proposant un jeu d’API commun pour l’ensemble des appareils équipés de Windows, du plus petit téléphone Lumia à la nouvelle Surface Hub de 84.Accompagné par Sébastien Pertus et Jean-Sébastien Dupuy, obtenez tous les détails pour construire votre première application universelle, découvrez les nouveautés pour adapter le design de votre interface à l’ensemble des appareils ciblés et déployez là sur le Windows Store pour acquérir, fidéliser de nouveaux utilisateur et monétiser votre application !Pré-requis :Des connaissances sur le langage C# ainsi que XAML sont recommandées pour bien appréhender ce cours. Toutefois, la compréhension de la majorité des chapitres ne nécessite pas de connaissance préalable.
Au sein d'une entreprise, les problématiques liées aux nouvelles technologies sont nombreuses, et concernent tous les niveaux : managers, employés, clients... Tout le monde est concerné. Pour l'entreprise, il est indispensable de pouvoir répondre à toutes ses problématiques tout en s'adaptant à l'évolution constante de son environnement.Ces enjeux ont été bien compris par les concepteurs de Windows 10, et nous vous expliquons dans ce cours comment ce système répond aux besoins de votre entreprise. Gagner en productivité, disposer d'une plateforme unique pour tous vos terminaux, du smartphone au gros ordinateur, sécuriser vos données, et bien gérer vos employés et vos ressources, tout en bénéficiant d'une expérience utilisateur unique : voilà ce que vous propose Windows 10.L'aventure vous tente ? Alors suivez Arnaud Lheureux, Stanislas Quastana et Pascal Sauliere, auteurs de ce cours, pour tout comprendre à Windows 10 !
You want to start a business, but you’re not sure where to begin? Or perhaps you have a business idea to begin with, but you’re not sure how to take it to the next level? Or you’re not sure you have the qualities for becoming an entrepreneur?Let’s brainstorm together to get you moving!If you want to be an innovative entrepreneur, it doesn’t matter if you don’t have a business idea yet: the first thing you’ll need is a high level of motivation and a few personal skills. I would like to walk you through this process of becoming an entrepreneur by giving you some advice and methods, a few hints, and also inspiring stories of other entrepreneurs. By the end of the course, you will know how to recognize business opportunities and analyze their potential.Once you are done, I will show you in two other courses how to build your venture project and then launch it.You will have to work on yourself and learn how to find your way in the jungle of innovation !