# Deep Learning

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.

**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.

## Programme

1. [Introduction](/fr/Deep%20Learning/01%20Introduction)
2. [Fonctions d'activation](/fr/Deep%20Learning/02%20Activation%20functions)
3. [Optimisation](/fr/Deep%20Learning/03%20Optimization)
4. [Entraîner les réseaux profonds](/fr/Deep%20Learning/04%20Training%20deep%20networks)
5. [Réseaux convolutifs](/fr/Deep%20Learning/05%20Convolutional%20networks)
6. [Plongements et apprentissage de représentations](/fr/Deep%20Learning/06%20Embeddings%20and%20representation%20learning)
7. [Réseaux récurrents](/fr/Deep%20Learning/07%20Recurrent%20networks)
8. [LSTM et GRU](/fr/Deep%20Learning/08%20LSTM%20and%20GRU)
9. [Attention](/fr/Deep%20Learning/09%20Attention)
10. [Transformeurs](/fr/Deep%20Learning/10%20Transformers)

---
[Machine Learning](/fr/Machine%20Learning) · [MLOps](/fr/MLOps) · [Accueil](/fr)