Réseaux de neurones convolutifs
Les réseaux convolutifs appliqués à l'image, de l'opération de convolution aux architectures modernes.
Durée du cours : 7h
Ce que vous allez apprendre
- Expliquer ce que calcule une convolution sur une image
- Dimensionner filtres, pas et remplissage en connaissance de cause
- Comparer les grandes architectures et leurs apports respectifs
- Entraîner un classificateur d'images avec augmentation de données
- Interpréter les prédictions avec des cartes de saillance
Prérequis
- Fondamentaux du deep learning
- PyTorch ou TensorFlow
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
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.