Appréhender l'apprentissage profond

30 séances — téléchargement direct

S01

Apprentissage automatique et apprentissage profond

S02

Analogie neurone biologique — neurone artificiel et perceptron

S03

Outillage mathématique et descente de gradient

S04

Perceptron multicouche et rétropropagation

S05

Généralisation en apprentissage

S06

Techniques de régularisation

S07

S07

S08

Définition et représentation numérique des images

S09

Architecture des CNN — la convolution

S10

Couche de convolution 2D — calcul pas à pas

S11

Taille de la carte de sortie et pas de convolution

S12

Remplissage (padding) et profondeur

S13

Fonction d'activation ReLU

S14

Pooling, Flatten et couche entièrement connectée

S15

Apprentissage des réseaux à convolution

S16

Architectures de référence

S17

Entraînement d'un CNN à partir de zéro

S18

Apprentissage par transfert

S19

Scénarios d'entraînement — récapitulatif et bilan

S20

S20

S21

Introduction aux réseaux récurrents

S22

Applications des réseaux récurrents

S23

Modèles de langage et génération de séquences

S24

Séquence à séquence et architecture d'un RNN

S25

Apprentissage d'un réseau récurrent — BPTT

S26

Introduction aux LSTM

S27

État de cellule et porte d'oubli

S28

Porte d'entrée, mise à jour et porte de sortie

S29

Unité récurrente à portes (GRU)

S30

S30