Réseaux de neurones profonds

L’évaluation de l’unité repose sur deux notes :

• Un contrôle QCM évaluera la partie théorique (12 points)

• Un projet à rendre (8 points)

Les chapitres de ce cours sont conçus pour être suivis dans l’ordre.

• === LES BASES ===
• Google Colab
  • Choix pédagogiques
  • Prise en main
• Rappels Python
  • Indentation
  • Lancement du programme
  • Structures de contrôle
  • Les containers
• Les pièges du langage Python
  • Conflit entre variables globales et locales
  • Passage
  • Modifier un entier passé en argument
  • Clonage
• NumPy + TD1
  • Les tableaux NumPy
  • Création
  • Conversion
  • Les vues
  • Propriétés
  • La documentation officielle NumPy
  • Le paramètre axis
  • Indexation
  • TD1 Numpy Array
• Broadcasting + TD2
  • Introduction
  • Règle du broadcasting
  • Calculs
  • TD2 Broadcasting
• Descente du gradient + TD3
  • Pour une fonction de \(\mathbb{R}\rightarrow \mathbb{R}\)
  • Pour une fonction de \(\mathbb{R}^2\rightarrow \mathbb{R}\)
  • Le cas général
  • TD 3
• === LES RESEAUX ===
• L’apprentissage
  • Une IA = une fonction mathématique
  • Les paramètres d’apprentissage
  • L’apprentissage supervisé
  • La fonction d’erreur
  • L’erreur d’un échantillon
  • L’erreur totale
  • Comment apprendre ?
  • L’optimum
  • Les écueils de l’apprentissage
  • Exercices
• Minimisation de l’erreur
  • Réseau séquentiel
  • La descente du gradient
  • Backpropagation
• Réseaux de neurones + TD4
  • Le neurone informatique
  • Topologie des réseaux
  • La fonction d’activation
  • Réseau complexe
  • TD4
• Les réseaux convolutionnels
  • La couche Conv2D
  • Exercices
  • La couche POOL
  • La couche DropOut
  • Lecture d’illustration
  • Les deux parties d’un réseau
• Les optimiseurs
  • Les classiques
  • Adagrad
  • Les optimiseurs avancés
  • Quel optimiseur choisir ?
  • Quizzz
• La fonction Softmax
  • Introduction
  • Instabilité numérique
• Les fonctions d’erreur
  • Critère géométrique
  • Critère d’entropie : CrossEntropyLoss
• Les métriques
  • Pourcentage de prédictions réussies
• — FIN QCM —
• Datasets
  • Organisation
  • Affichage
  • Normalisation des données
• KERAS + TDA + TDB
  • Boucle implicite
  • Les différentes fonctions de Forward
  • Qui, quoi et quand ?
  • TD-A
  • TD-B
• Catalogue CNN
  • LeNet
  • ImageNet
  • Alexnet
  • VGG16
  • GoogLeNet
  • Resnet
  • Keras pretrained models
• Créer une base d’images
  • Sélectionner des images
  • Charger votre base dans Colab
  • Data Loader
  • Data Augmentation
  • C’est parti
• Sessions multiples/longues
  • Rappels
  • Sessions multiples
  • Effectuer un traitement long
  • Archiver la progression du réseau
• === PROJETS ===
• P1 - Projet de classification
  • Étape 1 : Mise en place de la base
  • Étape 2 : Mise en place du DataLoader
  • Étape 3 : réseau FC
  • Étape 4 : réseau CNN
  • Étape 5 : Transfer Learning
  • Rendu