Apprentissage Profond

Description

Ce cours couvre l’apprentissage profond des fondements aux architectures modernes. On étudie les réseaux de neurones (CNN, RNN, LSTM), les Transformers, les modèles génératifs (GAN, VAE, modèles de diffusion), ainsi que les fondements théoriques de la généralisation et de l’expressivité des réseaux profonds.

Table of Contents

1. Chapter 1 Réseaux de neurones artificiels — Fondements
2. Chapter 2 Rétropropagation et optimisation
3. Chapter 3 Régularisation et Techniques de Généralisation
4. Chapter 4 Réseaux de Neurones Convolutifs (CNN)
5. Chapter 5 Réseaux Récurrents et LSTM
6. Chapter 6 Mécanisme d’Attention
7. Chapter 7 Transformers
8. Chapter 8 Modèles Génératifs — GAN
9. Chapter 9 Auto-encodeurs Variationnels (VAE)
10. Chapter 10 Modèles de Diffusion
11. Chapter 11 Aspects Théoriques — Généralisation, Expressivité
12. Chapter 12 Applications et Éthique

Prerequisites

Apprentissage automatique (Machine Learning). Algèbre linéaire, probabilités, programmation Python/PyTorch.

Download