Dans ce module, vous découvrirez les mathématiques qui sous-tendent l'algorithme populaire de rétropropagation utilisé pour optimiser les réseaux neuronaux. Dans le carnet de la rétropropagation, vous verrez et comprendrez également l'utilisation des fonctions d'activation. L'objectif principal de la plupart des fonctions d'activation est d'introduire la non-linéarité dans le réseau afin qu'il soit capable d'apprendre des modèles plus complexes. Enfin, vous apprendrez à utiliser les fonctions et les API de la bibliothèque Keras pour résoudre des tâches impliquant des réseaux neuronaux, et ces tâches commencent par le chargement d'images.

Vous pouvez exploiter plusieurs options pour donner la priorité au temps de formation ou à la précision de vos modèles de réseaux neuronaux et d'apprentissage profond. Dans ce module, vous découvrirez les concepts clés qui interviennent lors de l'entraînement des modèles, notamment les optimiseurs et le brassage des données. Vous aurez également l'occasion de vous exercer à l'utilisation de Keras, l'une des bibliothèques les plus utilisées pour l'apprentissage profond.

Dans ce module, vous vous familiariserez avec les réseaux neuronaux convolutifs, également connus sous le nom de réseaux neuronaux artificiels invariants dans l'espace, un type de réseaux neuronaux profonds, fréquemment utilisés dans les applications d'IA d'images. Il existe plusieurs architectures CNN, vous apprendrez quelques-unes des plus courantes à ajouter à votre boîte à outils de techniques d'apprentissage profond.

Dans ce module, vous comprendrez ce qu'est l'apprentissage par transfert et comment il fonctionne. Vous mettrez en œuvre l'apprentissage par transfert en 5 étapes générales en utilisant une variété d'architectures CNN populaires pré-entraînées, telles que VGG-16 et ResNet-50. Vous étudierez les différences entre ces architectures CNN et verrez comment l'invention de chacune d'entre elles résout le problème de ses prédécesseurs. Enfin, comme nous allons travailler avec des réseaux neuronaux plus profonds, vous serez également équipé de techniques de régularisation pour éviter l'ajustement excessif de modèles et de réseaux complexes.

Dans ce module, vous vous familiariserez avec les réseaux neuronaux récursifs (RNN) et les réseaux à mémoire à court terme (LSTM), un type de RNN considéré comme une percée dans le domaine de la reconnaissance de la parole en texte. Les RNN sont fréquemment utilisés dans la plupart des applications d'IA aujourd'hui, et peuvent également être utilisés pour l'apprentissage supervisé.

Dans ce module, vous vous familiariserez avec les autoencodeurs, une application utile du Deep Learning pour l'apprentissage non supervisé. Les autoencodeurs sont une architecture de réseau neuronal qui force l'apprentissage d'une représentation de moindre dimension des données, généralement des images. Dans ce module, vous apprendrez quelques techniques de représentation de données basées sur le Deep Learning, comment fonctionnent les autoencodeurs, et vous décrirez l'utilisation d'autoencodeurs entraînés pour des applications d'images

Dans ce module, vous découvrirez deux types de modèles génératifs, à savoir les autoencodeurs variationnels (VAE) et les réseaux adversoriels génératifs (GAN). Nous examinerons la théorie derrière chaque modèle, puis nous les mettrons en œuvre dans Keras pour générer des images artificielles. L'objectif est généralement de générer des images aussi réalistes que possible. Dans la dernière leçon de ce module, nous aborderons d'autres sujets liés à l'apprentissage profond, notamment l'utilisation de Keras dans un environnement GPU pour accélérer l'apprentissage des modèles.

Dans ce module, vous vous familiariserez avec d'autres applications novatrices des réseaux neuronaux. Vous découvrirez les réseaux adversoriels génératifs, souvent appelés GAN, qui sont une application des réseaux neuronaux pour générer de nouvelles données. Enfin, vous découvrirez l'apprentissage par renforcement, l'une des grandes promesses de l'I.A., qui consiste à former des algorithmes en utilisant des récompenses, au lieu d'utiliser une méthode visant à minimiser les erreurs, comme nous l'avons fait tout au long du cours.