COURS DE DEEP LEARNING
Le Machine Learning est un domaine extrêmement brûlant de l’Intelligence Artificielle et de la science des données. Il ne fait aucun doute que les réseaux de neurones sont les techniques d’apprentissage automatique les plus appréciées et les plus utilisées.
Le Deep Learning, appelé aussi apprentissage profond, est un sous-domaine du Machine Learning et donc plus largement de l’Intelligence Artificielle (IA). Il se compose d’algorithmes capables d’imiter le cerveau humain grâce à un large réseau de neurones artificiels. Les systèmes sont donc capables d’apprendre, prévoir et décider en toute autonomie.
De nombreux Data Scientists utilisent les réseaux de neurones sans comprendre leur structure interne. Cependant, comprendre la structure interne et le mécanisme de ces techniques d’apprentissage automatique permettra de résoudre les problèmes plus efficacement. Cela permet également d’ajuster, d’ajuster et même de concevoir de nouveaux réseaux de neurones pour différents projets.
Ce cours est le moyen le plus simple de comprendre en détail le fonctionnement des réseaux de neurones.
Objectifs
L’objectif de ce cours est de vous accompagner dans votre découverte du Deep Learning et de vous fournir les outils nécessaires à :
- Décrire les principales différences entre le Deep Learning et les autres types d’algorithmes de Machine Learning.
- Expliquer les méthodes fondamentales impliquées dans le Deep Learning, y compris les concepts d’optimisation sous-jacents (descente de gradient et rétropropagation), les modules typiques qui les composent et comment ils peuvent être combinés pour résoudre des problèmes du monde réel.
- Différencier les principaux types d’architectures de réseaux de neurones (perceptrons multicouches, réseaux de neurones convolutifs, réseaux de neurones récurrents, etc.) et à quels types de problèmes chacun est adapté.
- Sélectionner ou concevoir des architectures de réseaux neuronaux pour de nouveaux problèmes de données en fonction de leurs exigences et des caractéristiques des problèmes et analyser leurs performances.
COMPETENCES A ACQUERIR
- Apprenez à modifier les architectures du Deep Learning pour un nouvel ensemble de données/tâche.
- Connaître les types de modèles de base utilisés dans l’apprentissage en profondeur, par exemple, les réseaux de neurones convolutifs (Convolutional Neural Networks : CNN), les réseaux de neurones récurrents (Recurrent Neural Networks : RNN) et les réseaux antagonistes génératifs (Generative Adversarial Networks : GAN).
- Comprendre les concepts de base des réseaux de neurones et des méthodes d’apprentissage en profondeur.
- Connaître l’adéquation de méthodes d’apprentissage en profondeur spécifiques à divers domaines de données du monde réel, tels que ceux résultant de textes, d’images et de vidéos.
- Être capable de recycler et d’ajuster les hyperparamètres de plusieurs classes de méthodes d’apprentissage en profondeur, en particulier les CNN, les RNN et les GAN, sur des ensembles de données du monde réel.
- Être capable d’extraire des modèles à partir d’ensembles de données complexes d’images et de textes du monde réel en utilisant des méthodes d’apprentissage en profondeur.