Machine Learning, Deep Learning, NLP, Reconnaissance Vocale et Mathématiques pour l'IA. Du fondamental au déploiement en production.
Plongée technique dans la construction d'un système ASR pour le Wolof, une langue parlée par 90% des Sénégalais. Du traitement du signal à la modélisation acoustique — comment l'IA peut combattre l'exclusion numérique linguistique en Afrique subsaharienne.
Lire l'article →Des réseaux de neurones aux architectures profondes. Comprendre la rétropropagation, les fonctions d'activation et construire son premier modèle avec TensorFlow/Keras sur Fashion MNIST. Tutoriel accessible de zéro au fonctionnel.
Lire l'article →Une analogie culinaire pour comprendre la différence fondamentale entre l'apprentissage humain et l'apprentissage machine. Comment un algorithme de ML aborde-t-il un problème comparé à l'intuition humaine ? Pédagogie et humour au rendez-vous.
Lire l'article →Travaux pratiques de régression linéaire avec Python, NumPy et scikit-learn. De la théorie mathématique (moindres carrés, gradient descent) à l'implémentation complète. Code commenté et visualisations pas à pas.
Lire l'article →Qu'est-ce que le Machine Learning ? Apprentissage supervisé, non-supervisé, par renforcement. Les algorithmes essentiels, les métriques d'évaluation et les cas d'usage concrets. Le point de départ de toute formation en IA.
Lire l'article →Vecteurs, matrices, espaces vectoriels, décompositions, valeurs propres — les briques mathématiques fondamentales qui sous-tendent tout algorithme de ML et de Deep Learning. Notations, théorèmes clés et intuitions géométriques.
Lire l'article →