Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Knowledge comes from thinking with, from and through things, not just about them. We get to know the world around us from the inside of our being in it. Drawing on the fields of anthropology, art, architecture and education, this book addresses what knowing from the inside means for practices of teaching and learning. If knowledge is not transmitted ready-made, independently of its application in the world, but grows from the crucible of our engagements with people, places and materials, then how can there be such a thing as a curriculum? What forms could it take? And what could it mean to place such disciplines as anthropology, art and architecture at the heart of the curriculum rather than – as at present – on the margins?In addressing these questions, the fifteen distinguished contributors to this volume challenge mainstream thinking about education and the curriculum, and suggest experimental ways to overcome the stultifying effects of current pedagogic practice.

Apprentissage profond. --- Pédagogie expérimentale. --- Psychologie de l'éducation. --- Learning, Psychology of --- Creative thinking --- Teachers --- Training of

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

L’apprentissage automatique (Machine Learning) est aujourd’hui en pleine explosion. Mais de quoi s’agit-il exactement, et comment pouvez-vous le mettre en œuvre dans vos propres projets ? L’objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Machine Learning et de vous apprendre à maîtriser les outils qui vous permettront de créer vous-même des systèmes capables d’apprentissage automatique. Vous apprendrez ainsi à utiliser Scikit-Learn, un outil open source très simple et néanmoins très puissant que vous pourrez mettre en œuvre dans vos systèmes en production. • Apprendre les bases du Machine Learning en suivant pas à pas toutes les étapes d’un projet utilisant Scikit-Learn et pandas. • Ouvrir les boîtes noires pour comprendre comment fonctionnent les algorithmes. • Explorer plusieurs modèles d’entraînement, notamment les machines à vecteur de support (SVM). • Comprendre le modèle des arbres de décision et celui des forêts aléatoires, et exploiter la puissance des méthodes ensemblistes. • Exploiter des techniques d’apprentissage non supervisées telles que la réduction de dimensionnalité, la classification et la détection d’anomalies. Tous les exemples de code sont disponibles en ligne sous la forme de notebooks Jupyter à l’adresse suivante : https://github.com/ageron/handson-ml2

Machine learning --- Artificial intelligence --- Apprentissage automatique --- Intelligence artificielle--Applications en éducation --- Educational applications --- Apprentissage profond --- Interfaces de programmation d'applications --- TensorFlow --- Problèmes et exercices

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Les enquêtes internationales comme PISA, Timss et Pirls pointent régulièrement un certain retard français et des inégalités de réussite liée à l'origine sociale des élèves parmi les plus importantes au monde. Et si c'était dû à une insuffisante prise en compte en France des résultats des recherches scientifiques en éducation, pourtant largement diffusés dans les autres pays ? Les enseignants en ont rêvé, John Hattie, Gregory Yates et leur équipe de chercheurs australiens l'ont fait ! Ils ont passé en revue des milliers d'études concernant les recherches en pédagogie, en psychologie de l'éducation et en sciences cognitives. Et les résultats sont là : certaines pratiques d'enseignement sont efficaces, d'autres sont beaucoup moins pertinentes. Dans ce livre, vous découvrirez pourquoi la confiance des apprenants envers leurs enseignants et le droit à l'erreur sont primordiaux et en quoi le feedback est un outil puissant. Vous verre z comment les enseignants expérimentés se concentrent sur l'essentiel afin de ne pas augmenter la charge cognitive de leurs élèves, comment ils organisent leurs explications en séquences brèves et intensives. Vous comprendrez pourquoi la « classe inversée » et l'enseignement explicite sont efficaces, tandis que l'apprentissage par la découverte accroît les inégalités entre élèves. Vous saurez guider vos élèves pour qu'ils puissent apprendre à résoudre des problèmes, étape par étape. Vous connaîtrez les meilleures manières de maintenir leur motivation, grâce à la réussite. Vous les aiderez à renforcer leur mémoire et à accéder à l'automatisation, deux clefs de la réussite scolaire. Vous leur conseillerez les meilleures méthodes de révision et les stratégies métacognitives les plus pertinentes. Vous pourrez aussi leur expliquer pourquoi l'"effet Mozart", les "natifs numériques", et les "styles d'apprentissage" visu el, auditif et kinesthésique, sont des mythes infondés. John Hattie et Greg Yates offrent aux enseignants, en un seul ouvrage

Apprentissage. --- Analyse des pratiques (formation) --- Recherche-action en éducation. --- Qualité de l'enseignement. --- Relations maître-élève. --- Apprentissage profond. --- Évaluation des acquis scolaires.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Encore trop méconnue des Humanités, l'Intelligence artificielle ébranle les pratiques scientifiques et les certitudes. Appliquée aux textes - corpus littéraires, corpus politiques, textes français, textes latins - elle dévoile ses avantages et ses limites.Sous conditions, la digitalisation de masse de la culture vivifie les sciences et les arts du texte.La sémantique de corpus tire bénéfice des données massives à condition qu'elles soient circonscrites. L'algorithmique et la puissance de calcul excellent sous condition de se départir des prétentions probatoires au profit d'autres objectifs : explorer, interroger, décrire.En passant de la fixité du folio à la dynamique de l'écran, les textes s'ouvrent sur des parcours de lecture inédits, appuyés sur de nouveaux objets tels que les motifs.Seulement, les programmes de deep learning décrits dans cet ouvrage - avant tout, les modèles convolutionnels - ne peuvent rester plus longtemps une boite noire. Les couches cachées des réseaux de neurones artificiels n'ont d'intérêt que lorsqu'elles nourrissent les parcours interprétatifs et caractérisent des passages.C'est donc la profondeur herméneutique de l'approche numérique qui est exploitée ici. En donnant une autre représentation des corpus, en révélant les structures sous-jacentes des textes, en faisant émerger de nouveaux observables, l'Intelligence artificielle épaule l'herméneute et le philologue.Dans cet ouvrage, la machine apprend du corpus, classe les textes et décrit les grandeurs textuelles pertinentes ; reste aux chercheurs, linguistes, informaticiens, historiens, statisticiens le plaisir de comprendre.

Apprentissage profond. --- Intelligence artificielle --- Sémantique. --- Artificial intelligence. Robotics. Simulation. Graphics --- Mathematical linguistics --- Analyse du discours --- Informatique --- Analyse du discours - Informatique --- Criticism --- Text data mining. --- Literature and technology. --- Hypertext literature. --- Data processing.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

"Nous vivons une révolution inouïe, inimaginable il y a encore cinquante ans, celle de la machine qui apprend, et qui apprend par elle-même. Au lieu d'exécuter les ordres d'un programme, la machine peut désormais acquérir par elle-même, par l'expérience, les capacités nécessaires pour accomplir les tâches qui lui sont assignées, y compris celles que l'on croyait réservées à l'humain. Les applications sont immenses : reconnaissance des formes, des voix, des images et des visages, voiture autonome, traduction de centaines de langues, détection des tumeurs dans les images médicales... Yann Le Cun est à l'origine de cette révolution. Il est en effet l'un des inventeurs de l'apprentissage profond, le deep learning, qui caractérise un réseau de neurones artificiels dont l'architecture et le fonctionnement s'inspirent du cerveau. C'est à la naissance de cette nouvelle forme d'intelligence, à l'émergence d'un système quasiment auto-organisateur, que nous convie Yan Le Cun. Un livre qui évoque la démarche intellectuelle d'un inventeur au carrefour de l'informatique et des neurosciences. Un livre qui éclaire l'avenir de l'intelligence artificielle, ses enjeux, ses promesses et ses risques."

Machine Learning --- Artificial intelligence --- Neural networks (Computer science) --- Data mining --- Deep learning (Machine learning) --- Apprentissage profond. --- Réseaux neuronaux (informatique) --- Intelligence artificielle --- Facebook (site web) --- History --- Histoire. --- Facebook (Electronic resource)