Apprentissage Profond

Deep Learning

Yaé Ulrich Gaba

M1-M2 12 chapters FR + EN

Survolez ou touchez pour voir le résumé

En bref · In brief

Français

Cours d'apprentissage profond couvrant les réseaux classiques (CNN, RNN, LSTM), les Transformers, les modèles génératifs (GAN, VAE, diffusion), et les questions théoriques de généralisation et d'expressivité.

English

Deep learning course covering classical architectures (CNN, RNN, LSTM), Transformers, generative models (GAN, VAE, diffusion), and the theoretical questions of generalization and expressivity that connect to them.

Table des matières

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

Prérequis

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