Réseaux de neurones convolutifs (CNN)
Construction d'un CNN pièce par pièce, comparaison des grandes architectures, et transfert d'un réseau préentraîné vers un problème réel, jusqu'à l'interprétation de ses décisions.
Durée du cours : 7 h
Ce que vous allez apprendre
- Calculer une convolution 2D à la main et comprendre pourquoi elle remplace une couche dense sur une image
- Prédire la taille de sortie d'une couche à partir du pas, du remplissage et du champ récepteur
- Choisir entre max, moyenne et convolution à pas 2 pour réduire la résolution spatiale
- Lire une architecture classique — LeNet, AlexNet, VGG, ResNet, Inception, MobileNet — et savoir laquelle sert à quoi
- Appliquer une augmentation de données efficace sans dégrader la tâche
- Transférer un ResNet50 préentraîné et affiner ses couches par étages, sans casser la normalisation par lots
- Interpréter une prédiction avec Grad-CAM et diagnostiquer un modèle qui regarde le fond plutôt que l'objet
Prérequis
- Fondamentaux du deep learning (cours 07)
- Un cadriciel maîtrisé : TensorFlow/Keras (cours 08) ou PyTorch (cours 09)
Modules du cours
- Convolution, filtres et cartes de caractéristiques
- Pas, remplissage et champ récepteur
- Sous-échantillonnage et réduction spatiale
- LeNet et AlexNet : les premières réussites
- VGG et l'empilement de petits filtres
- ResNet et les connexions résiduelles
- Inception, MobileNet et l'efficacité de calcul
- Augmentation de données pour l'image
- Apprentissage par transfert et affinage progressif
- Interprétation : Grad-CAM et cartes de saillance
Fil rouge
Le cours suit deux jeux de données du début à la fin. CIFAR-10 (60 000 images 32x32 en 10 classes) sert des modules 1 à 7 : un petit CNN écrit à la main y est comparé successivement à LeNet, à VGG, puis à un ResNet réduit, sur la même partition. Les modules 8 à 10 basculent sur un jeu réel de photos de déchets à trier en 6 catégories (verre, carton, papier, plastique, métal, organique), où un ResNet50 préentraîné sur ImageNet est affiné en deux phases, puis interprété par Grad-CAM. Ce second jeu, plus proche d'une caméra embarquée que d'un benchmark, force à traiter les problèmes d'augmentation, de transfert et d'interprétation dans les conditions où ils apparaissent en production.
Le code est en Keras (cours 08), avec des équivalents PyTorch (cours 09) dans un encadré quand la différence compte pour la compréhension.
Évaluation et attestation
Le parcours se termine par un examen de 40 questions qui couvre tous les modules. En cas de réussite, une attestation d'achèvement est délivrée ; son numéro est vérifiable sur la plateforme.
Les cours gratuits, eux, se concluent par un quiz de 5 questions avec un aperçu de l'attestation, sans certification.