Description du cours
L'apprentissage profond est un domaine qui évolue rapidement, et avoir une compréhension fondamentale des différentes méthodes et techniques utilisées dans l'apprentissage profond peut être précieux pour les professionnels de ce domaine. Dans ces leçons, vous découvrirez les différentes méthodes d'apprentissage profond utilisées dans le domaine, notamment les réseaux de neurones convolutifs (CNN) et les perceptrons multicouches (MLP). Vous découvrirez également les différents noms utilisés pour les poids dans l'apprentissage profond et explorerez les différentes fonctions de perte qui peuvent être utilisées dans un réseau neuronal, telles que l'erreur quadratique moyenne (MSE), l'entropie croisée catégorielle éparse et l'entropie croisée binaire.
Ensuite, vous allez explorer les différents types de couches utilisées dans les réseaux de neurones convolutifs (CNN), telles que la couche convolutive, la couche de mise en commun et la couche d'aplatissement. Vous découvrirez également les différentes couches d'un perceptron multicouche (MLP), qui est un autre type de réseau neuronal couramment utilisé dans l'apprentissage profond.
Vous allez maintenant vous plonger dans les auto-encodeurs, qui sont un type de réseau neuronal utilisé pour l'apprentissage non supervisé. Vous découvrirez les différentes couches d'un Autoencodeur, y compris la couche d'encodage et la couche de décodage. Vous explorerez également les avantages d'avoir une couche plus petite dans un auto-encodeur et comment cela peut améliorer l'efficacité du modèle.
Dans l'ensemble, vous découvrirez l'un des jeux de données populaires disponibles dans les jeux de données TensorFlow et découvrirez les applications des auto-encodeurs dans l'apprentissage des fonctionnalités dans les images. Vous découvrirez également si la couche Autoencodeur doit être plus grande et comprendrez le raisonnement qui la sous-tend.
Ce que vous allez apprendre
- Reconnaître les différentes méthodes d'apprentissage en profondeur (deep learning) utilisées dans le domaine, y compris les réseaux de neurones convolutifs (CNN) et les perceptrons multicouches (MLP)
- Décrire les différents noms utilisés pour les poids (weights) dans le deep learning
- Expliquer les différentes fonctions de perte (loss functions) utilisées dans les réseaux de neurones, telles que l'erreur quadratique moyenne (MSE), l'entropie croisée catégorielle clairsemée (Sparse Categorical Cross-Entropy) et l'entropie croisée binaire (Binary Cross-Entropy)
- Identifier les différents types de couches utilisées dans les CNN, y compris les couches de convolution, de regroupement (Pooling) et d'aplatissement (Flatten)
- Explorer les auto-encodeurs (Autoencoders) pour l'apprentissage non supervisé, y compris les couches d'encodage et de décodage
- Découvrir un ensemble de données (dataset) TensorFlow populaire et les applications des auto-encodeurs dans l'apprentissage des caractéristiques (features) des images
Points clés à retenir
- Le Deep Learning (apprentissage en profondeur) utilise plusieurs méthodes, notamment les réseaux de neurones convolutifs (CNNs) et les perceptrons multicouches (MLPs).
- Les réseaux de neurones peuvent utiliser différentes fonctions de perte, telles que l'erreur quadratique moyenne (MSE), l'entropie croisée catégorielle clairsemée (Sparse Categorical Cross-Entropy) et l'entropie croisée binaire.
- Les réseaux de neurones convolutifs sont construits à partir de types de couches comprenant la couche de convolution (Convolutional), la couche de regroupement (Pooling) et la couche d'aplatissement (Flatten).
- Les auto-encodeurs sont un type de réseau neuronal utilisé pour l'apprentissage non supervisé, composé d'une couche de codage et d'une couche de décodage.
- Une couche plus petite dans un auto-encodeur peut améliorer l'efficacité du modèle et l'aider à apprendre des caractéristiques (features) dans les images.
Foire aux questions
À qui s'adresse ce cours ?
Il s'adresse aux professionnels du domaine de l'apprentissage profond (deep learning) qui souhaitent acquérir une compréhension fondamentale des différentes méthodes et techniques utilisées dans ce domaine.
Quelles méthodes de deep learning le cours couvre-t-il ?
Il couvre les méthodes de deep learning, notamment les réseaux de neurones convolutifs (CNN), les perceptrons multicouches (MLP) et les auto-encodeurs (Autoencoders).
Qu'apprendrai-je sur les fonctions de perte (loss functions) ?
Vous explorerez les différentes fonctions de perte utilisées dans un réseau neuronal, telles que l'erreur quadratique moyenne (MSE), l'entropie croisée catégorielle clairsemée (Sparse Categorical Cross-Entropy) et l'entropie croisée binaire.
Quels sont les auto-encodeurs abordés dans ce cours ?
Les auto-encodeurs (Autoencoders) sont un type de réseau de neurones utilisé pour l'apprentissage non supervisé ; le cours couvre leurs couches d'encodage et de décodage, les avantages d'avoir une couche plus petite, et leurs applications dans l'apprentissage des caractéristiques (features) des images.
Quelles compétences ce cours développe-t-il ?
Il développe des compétences en TensorFlow, Deep Learning, méthodes de Deep Learning, auto-encodeurs (Autoencoders), apprentissage de caractéristiques (Feature Learning) et ensembles de données d'entraînement (Training Datasets).
