Dans ce module, nous explorerons divers modèles pré-entraînés, leurs architectures, et les principes de l'apprentissage par transfert. À travers une série de sessions détaillées, nous appliquerons ces concepts dans des contextes pratiques, avec en point d'orgue des études de cas et des discussions analytiques.

Dans ce module, nous appliquerons les techniques du Réseau neuronal convolutif (CNN) à des images naturelles du monde réel, en nous concentrant spécifiquement sur les images de fleurs. À travers une étude de cas étendue répartie sur plusieurs sessions, nous apprendrons à implémenter, évaluer et affiner les modèles dans un contexte pratique et pertinent pour l'industrie.

Dans ce module, nous nous attaquerons au défi que représente l'identification d'anomalies médicales à l'aide de CNN. En nous concentrant sur les images radiographiques, nous mènerons une étude de cas détaillée sur plusieurs sessions, en apprenant à interpréter les données médicales et à développer des modèles de diagnostic efficaces.

Dans ce module, nous présenterons les Réseaux de neurones récurrents, en couvrant leurs concepts de base, leur architecture et leurs types. Nous nous pencherons sur les méthodes d'apprentissage et nous relèverons des défis courants tels que le problème du gradient qui s'évanouit, grâce à une série de sessions détaillées.

Dans ce module, nous nous concentrerons sur les réseaux de Mémoire court et long terme (LSTM), en couvrant leur architecture et leur fonctionnalité. Nous comparerons les LSTM avec d'autres variantes de RNN comme GRU et mettrons en œuvre ces réseaux dans des scénarios pratiques à travers une série de sessions détaillées.

Dans ce module, nous appliquerons les techniques RNN pour développer un marqueur de parties de discours pour les tâches de traitement du langage naturel. À travers une étude de cas étendue répartie sur plusieurs sessions, nous développerons, évaluerons et affinerons la performance du tagger Partie-de-la-parole.

Dans ce module, nous allons nous plonger dans l'application pratique des RNNs pour la génération de texte en explorant une étude de cas complète de générateur de code divisée en quatre parties. Chaque partie s'appuie sur la précédente, améliorant notre compréhension et nos compétences dans l'utilisation des RNN pour la génération de textes cohérents.