RNN et LSTM
Les réseaux récurrents appliqués aux séquences : texte, signaux et séries de mesures.
Durée du cours : 6h
Ce que vous allez apprendre
- Expliquer pourquoi un réseau classique échoue sur une séquence
- Suivre la circulation de l'état caché au fil des pas de temps
- Comprendre comment une porte LSTM préserve une information longue
- Choisir entre LSTM et GRU selon les contraintes du projet
- Entraîner un modèle de séquence sans exploser le gradient
Prérequis
- Fondamentaux du deep learning
- PyTorch ou TensorFlow
Modules du cours
- Ce qui rend une séquence différente d'un tableau de variables
- Le neurone récurrent et son état caché
- Rétropropagation dans le temps
- Gradients qui disparaissent et qui explosent
- LSTM : portes d'oubli, d'entrée et de sortie
- GRU : une simplification efficace
- Réseaux bidirectionnels et empilés
- Encodeur-décodeur pour la traduction
- Découpage et remplissage des séquences en pratique
- Projet : prédiction sur une série de mesures
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.