Fondamentaux du deep learning
Les mécanismes des réseaux de neurones, de la rétropropagation aux techniques qui rendent l'entraînement stable.
Durée du cours : 8h
Ce que vous allez apprendre
- Décrire le calcul d'un neurone puis d'une couche complète
- Suivre la rétropropagation du gradient à travers un réseau
- Choisir une fonction d'activation et comprendre ses effets
- Diagnostiquer un entraînement qui ne converge pas
- Appliquer abandon, normalisation par lots et arrêt anticipé à bon escient
Prérequis
- Python et NumPy
- Notions de dérivées et de gradient
Modules du cours
- Du perceptron au réseau multicouche
- Fonctions d'activation : ReLU, sigmoïde, tanh, GELU
- Propagation avant et calcul de la perte
- Rétropropagation expliquée pas à pas
- Optimiseurs : descente stochastique, moment, Adam
- Initialisation des poids et gradients qui disparaissent
- Régularisation : abandon, pénalité L2, augmentation de données
- Normalisation par lots et par couche
- Courbes d'apprentissage : lire un surapprentissage
- Premier réseau entraîné de bout en bout
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.