Blame
|
1 | # Deep Learning |
||||||
| 2 | ||||||||
| 3 | Les réseaux de neurones, du simple perceptron aux transformeurs modernes : comment la profondeur, les bonnes fonctions d'activation et l'entraînement par gradient permettent à un modèle d'apprendre ses propres caractéristiques au lieu de les concevoir à la main. |
|||||||
| 4 | ||||||||
|
5 | **Prérequis :** le cours [Machine Learning](/fr/Machine%20Learning), en particulier [Réseaux de neurones multi-couches](/fr/Machine%20Learning/06%20Multilayer%20neural%20networks), qui construit le modèle et couvre les pertes et la rétropropagation utilisées tout au long de ce cours. Python de base, calcul différentiel et algèbre linéaire. |
||||||
|
6 | |||||||
| 7 | ## Programme |
|||||||
| 8 | ||||||||
| 9 | 1. [Introduction](/fr/Deep%20Learning/01%20Introduction) |
|||||||
|
10 | 2. [Fonctions d'activation](/fr/Deep%20Learning/02%20Activation%20functions) |
||||||
| 11 | 3. [Optimisation](/fr/Deep%20Learning/03%20Optimization) |
|||||||
| 12 | 4. [Entraîner les réseaux profonds](/fr/Deep%20Learning/04%20Training%20deep%20networks) |
|||||||
| 13 | 5. [Réseaux convolutifs](/fr/Deep%20Learning/05%20Convolutional%20networks) |
|||||||
| 14 | 6. [Plongements et apprentissage de représentations](/fr/Deep%20Learning/06%20Embeddings%20and%20representation%20learning) |
|||||||
| 15 | 7. [Réseaux récurrents](/fr/Deep%20Learning/07%20Recurrent%20networks) |
|||||||
| 16 | 8. [LSTM et GRU](/fr/Deep%20Learning/08%20LSTM%20and%20GRU) |
|||||||
| 17 | 9. [Attention](/fr/Deep%20Learning/09%20Attention) |
|||||||
| 18 | 10. [Transformeurs](/fr/Deep%20Learning/10%20Transformers) |
|||||||
|
19 | |||||||
| 20 | --- |
|||||||
| 21 | [Machine Learning](/fr/Machine%20Learning) · [MLOps](/fr/MLOps) · [Accueil](/fr) |
|||||||
