Odyssée du Deep Learning

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.

Vous acquerrez une compréhension fondamentale des principaux composants de TensorFlow - les Tensors. Vous explorerez la nature et les applications des Tensors, vous vous familiariserez avec les propriétés des Tensors et vous acquerrez des connaissances sur les opérations mathématiques essentielles.

Vous apprendrez comment fonctionne TensorFlow et les moyens d'améliorer ses performances. À la fin de ce module, vous serez bien équipé pour implémenter des réseaux neuronaux de base ou d'autres calculs de tensors, en utilisant uniquement la bibliothèque TensorFlow sans aucun ajout.

Explorez les fondamentaux de PyTorch, en vous concentrant sur les tenseurs, la structure de données principale utilisée pour les calculs. Vous apprendrez la création de tenseurs, l'initialisation aléatoire, les opérations mathématiques et la manipulation des formes.

Explorez les concepts clés pour l'entraînement des modèles dans PyTorch, y compris le calcul des gradients et la réalisation de rétropropagation multi-étapes. Maîtrisez la régression linéaire en tant que modèle de machine learning fondamental et découvrez comment gérer efficacement les jeux de données.

Découvrez comment construire, entraîner et évaluer des réseaux neuronaux en utilisant PyTorch. Vous apprendrez à définir un réseau neuronal feedforward simple, à optimiser ses paramètres grâce à l'entraînement, et à évaluer ses performances.

La vision par ordinateur permet aux machines d'interpréter et d'analyser des données visuelles, en imitant la perception humaine. Cette section aborde les bases de la représentation des images, les modèles de couleur et les fondements mathématiques essentiels pour comprendre comment les ordinateurs traitent les images. Vous découvrirez des applications concrètes, allant des véhicules autonomes à l'imagerie médicale, et comprendrez comment la vision par ordinateur s'intègre à l'IA et à l'apprentissage automatique.

OpenCV est une bibliothèque puissante pour la manipulation d'images et les tâches de vision par ordinateur. Cette section couvre des techniques essentielles telles que le filtrage d'images, les transformations, la détection de contours et la segmentation. Vous apprendrez à effectuer le floutage, le seuillage, la détection de contours et l'extraction de caractéristiques afin d'améliorer et d'analyser efficacement les images.

Les CNN traitent les données visuelles à l'aide de couches de convolution, de regroupement et d'activation afin d'extraire des caractéristiques pour des tâches telles que la classification d'images et la détection d'objets. Les éléments clés comprennent le remplissage, la convolution pour l'extraction de caractéristiques, le regroupement pour la réduction de la complexité et l'activation pour l'introduction de la non-linéarité. Des architectures populaires telles qu'AlexNet, VGG et ResNet alimentent l'IA dans les domaines de la santé, de l'autonomie et de la sécurité.

La détection d'objets est une tâche fondamentale de la vision par ordinateur qui consiste à identifier et localiser des objets dans une image. Contrairement à la classification d'images, qui attribue une seule étiquette à une image entière, la détection d'objets permet non seulement de classifier les objets, mais aussi de déterminer leur position à l'aide de boîtes englobantes. Cette section aborde les principales techniques et algorithmes utilisés en détection d'objets, allant des méthodes traditionnelles aux approches basées sur l'apprentissage profond telles que YOLO et U-Net.

La vision par ordinateur a considérablement progressé au fil des années, passant de méthodes de traitement d'image basiques à des techniques complexes d'apprentissage profond. Cette section examine les dernières innovations en vision par ordinateur, en mettant l'accent sur l'apprentissage par transfert, la reconnaissance faciale et la génération d'images. Nous explorerons les avantages des modèles pré-entraînés sur les performances, les principes de la technologie de reconnaissance faciale et la manière dont l'IA crée des images grâce à l'apprentissage profond.