Depuis quelques années, certains algorithmes du Machine Learning, particulièrement les réseaux de neurones, ont su se montrer plus efficaces que les êtres humains dans certains cas d'usage.

L’objectif de cette vidéo de formation est de démythifier les concepts associés aux réseaux de neurones artificiels en complétant les concepts théoriques par des exemples d’illustration. Pour bien suivre cette vidéo, il est intéressant de disposer de connaissances en Machine Learning mais elles ne sont pas indispensables.

Après une introduction sur les concepts de bases des réseaux de neurones, vous étudierez en détail la structure des neurones artificiels, tout en faisant l’analogie avec les neurones biologiques.

Vous poursuivrez avec l’étude de différents réseaux de neurones en commençant par les réseaux de neurones de type perceptrons multicouches, puis les réseaux de neurones de type Deep Learning. Pendant l’analyse de ces réseaux de neurones, l’algorithme de rétropropagation sera détaillé.

Le dernier volet de cette formation sera entièrement consacré à la présentation de différentes architectures de réseaux de neurones ainsi qu’à la présentation de certains types de couches qui composent un réseau de neurones.

• Durée totale02h31
• Les neurones artificiels
  • Introduction aux réseaux de neurones03:47
  • Quelques cas d'utilisation05:37
  • Le Machine Learning 11:33
  • Les étapes de modélisation en Data Science10:39
  • Du neurone biologique au neurone artificiel08:11
  • La modélisation d'un neurone artificiel03:44
  • Les fonctions d'assemblage02:57
  • Les fonctions d'activation 04:13
  • La fonction "Loss"06:47
• Le perceptron
  • Le perceptron05:08
  • L'apprentissage avec un perceptron02:43
  • Apprendre l'opérateur logique AND avec un perceptron07:00
  • Les limites du perceptron01:53
• Les réseaux de neurones
  • Généralisation du neurone artificiel05:52
  • Présentation de l'algorithme de rétropropagation03:14
  • Rétropropagation avant05:17
  • Calcul des erreurs02:55
  • Rétropropagation arrière04:46
  • Mise à jour des noeuds d'un réseau de neurones03:49
  • Les EPOCHS04:03
  • Convergence et arrêt de la phase d'apprentissage04:49
  • Données d'entraînement, de validation et de test04:48
• Le Deep Learning
  • Les couches cachées des réseaux de neurones01:51
  • Les réseaux de neurones de type MLP03:45
  • Quelques limites des MLP02:25
  • Les typologies des réseaux de neurones07:59
  • Les réseaux de neurones convolutifs (CNN)07:13
  • Les couches de type Drop03:40
  • Le Transfer Learning04:20
  • L'importance de la diversité des données d'entraînement05:08
  • Conclusion01:11