Connaitre les briques de base du Deep Learning : réseaux de neurones simples, convolutifs et récursifs
- Les réseaux de neurones : principe, différents types de réseaux de neurones (artificiels, convolutifs, récurrents, …)
- Les différentes formes de réseaux : MultiLayer Perceptron FNN/MLP, CNN
- Couches d’entrée, de sortie, de calcul
- Fonctionnement d’une couche de convolution. Définitions : kernel, padding, stride. Fonctionnement d’une couche de Pooling
- APIs standard, modèles d’apprentissage
- Apprendre à lire une courbe d’apprentissage
- Exemple dAtelier : Comparaison de courbes d’apprentissage avec TensorFlow sur plusieurs paramètres
- Les modèles de DeepLearning pour Keras : Xception, Inception, ResNet, VGG, LeNet
- Exemple d’Atelier : Construction d’un réseau de neurones de reconnaissance d’images