📄️ Table des matières
Cours de découverte gratuit sur le deep learning en 6 leçons. Comprenez ce que calcule un neurone, pourquoi la non-linéarité est indispensable, ce que la profondeur apporte réellement, comment fonctionne une convolution, ce que les transformeurs ont changé, et pourquoi le transfer learning rend le domaine accessible.
📄️ 1. Le neurone
Leçon 1 du cours gratuit Deep Learning : ce que calcule réellement un neurone artificiel, pourquoi la fonction d'activation est ce qui rend un réseau utile, et ce que ReLU a changé dans l'histoire du domaine.
📄️ 2. Pourquoi la profondeur
Leçon 2 du cours gratuit Deep Learning : ce que la profondeur apporte réellement, la hiérarchie de représentations qui émerge de l'entraînement, le problème du gradient qui s'évanouit, et les trois inventions qui ont rendu les réseaux très profonds entraînables.
📄️ 3. Les convolutions
Leçon 3 du cours gratuit Deep Learning : pourquoi un réseau entièrement connecté échoue sur des images, comment fonctionne un filtre de convolution, le rôle du sous-échantillonnage, et ce que les CNN ont apporté au-delà de la vision.
📄️ 4. Séquences et transformeurs
Leçon 4 du cours gratuit Deep Learning : pourquoi les séquences posent un problème particulier, comment fonctionnaient les RNN et les LSTM, ce que l'attention a résolu, et pourquoi la parallélisation des transformeurs a rendu possibles les grands modèles.
📄️ 5. Coût et transfer learning
Leçon 5 du cours gratuit Deep Learning : ce qu'un entraînement coûte réellement en données, en matériel et en temps, comment fonctionne le transfer learning, la différence entre extraction de caractéristiques et fine-tuning, et quand entraîner de zéro reste justifié.
📄️ 6. Récapitulatif et FAQ
Leçon 6 du cours gratuit Deep Learning : synthèse des cinq leçons, glossaire des termes du domaine, et réponses directes aux 12 questions que les débutants posent le plus souvent sur les réseaux de neurones.
📄️ 7. Quiz et attestation
Testez votre compréhension du deep learning avec un quiz gratuit de 5 questions, corrigé et expliqué : neurone, non-linéarité, profondeur, convolution, transformeurs et transfer learning.