Petite introduction au deep learning (apprentissage profond)

Bonsoir,

j'ai le plaisir d'annoncer la publication sur ce site d'une petite Introduction au deep learning – Comprendre les bases de l'apprentissage profond.

Ce bref tutoriel se suffit à lui-même en tant qu'introduction très high level au sujet, mais, si le thème vous intéresse, il devrait en principe être suivi d'un ou plusieurs volets un peu plus approfondis sur les techniques mises en œuvre pour faire en sorte que la machine apprenne à apprendre.

(Mais comme je suis très pris actuellement sur d'autres gros sujets, cette suite ne viendra pas avant au mieux plusieurs semaines, quand j'aurai un peu plus de temps à y consacrer.)

Bonne lecture à tous et bonne soirée,
Laurent.

Bonjour,
dommage que cet article ne sois pas sortie lundi, je le cherchais justement sur le site ;)

Pour le coup, je suis entrain de suivre la formation proposé par Thibault, je l'utilise pour comprendre le deeplearning et tenté de réussir mon rattrapage de rattrapage de projet d'IA^^

Je dois avouer, qu'alors que je fait un blocage complet sur le principe des neurones formels et du deeplearning depuis un an, je commence enfin à voir un espoir, ses vidéos sont vraiment bien expliquée, et étape par étape. Je me sent bien un peu perdu par moment (faire des maths avec des lettres sera toujours une belle hérésie qui m'a fait quitté la fac :D), mais dans l'ensemble je ne ressent plus cette sensation de désespoir ressentit lors de toutes mes tentatives précédentes sur le sujet.

Donc merci à Thibault, j’espère que cette suite d'article mettra bien en avant son travail.

Bonjour, et merci pour cette introduction ! Cette dernière est effectivement vraiment "high level" comme tu dis, mais si l'on veut bien comprendre l'ensemble, il est important de passer par là aussi.

Très belle initiative donc, dont j'attends la suite avec impatience ! Contrairement à beaucoup ici, et étant moi même en "auto-apprentissage" dans le domaine, j'attends avec impatience les parties plus techniques / mathématiques !

Bon courage donc pour la suite ; je tâcherais de suivre ce topic régulièrement !

merci
j'attends avec impatience la suite ! :D

Bonjour,

le second volet de cette série de tutoriels est en ligne: http://laurent-rosenfeld.developpez....les-prerequis/

Plusieurs autres volets sont en cours de préparation.

Bonne lecture à tous et bonne journée.

Bonjour et merci pour ce second volet.

Si je peux me permettre, je souhaite apporter quelques critiques "anticipées", liées à mon environnement personnel de découverte du monde des réseaux de neurones, étant un fervent défenseur de la compréhension complète des notions abordées....

Lorsqu'on souhaite optimiser un peu le réseau ou même simplement l'adapter plus sainement aux features analysées, il faudra souvent aborder des notions mathématiques plus poussées que le niveau Lycée. Je ne dis pas ça pour en décourager certains, mais si l'on souhaite faire quelque-chose de solide et performant, la complexité peut vite exploser. Les fonctions internes sont généralement linéaires, mais l'objet du produit est de fournir une interprétation de fonction non linéaire (voir chaotiques). On emploie donc un programme de niveau lycée pour résoudre des sujet pouvant être extrêmement complexe de niveau post-doc.... Il est donc important d'avoir le niveau nécessaire pour comprendre à quelle catégorie appartient le sujet que l'on souhaite traiter.

Enfin, un conseil pour éviter que ce cours ne ressemble à 95% de tout ceux que l'on retrouve sur le net : Je conçoit tout à fait que la majeur partie des utilisateurs de réseaux de neurones se limitent au développement sous python à l'aide de multiples bibliothèques disponibles et certainement très puissantes, mais ne pas trop s'appuyer sur python pour expliquer le fonctionnement du sujet. Lorsque j'essaie de trouver des cours sur le net, je ne trouve rien d'autre que des codes pythons avec uniquement des explications haut niveau, tronquées et parfois (souvent ?) fausses. Une explication détaillée complète et approfondie est nécessaire avant de pondre le code associé (peu importe le langage finalement). Exemple : expliquer d'où vient le coefficient alpha (coefficient d'apprentissage), ou le coefficient lambda (linéarisation), pourquoi le drop-out permet d'offrir un réseau plus solide et limite le sur-apprentissage, d'où vient le biais etc... Bref, tout est liées aux régressions linéaires et peut s'appliquer sur des fonctions polynomiales simples (plus facile pour expliquer à quoi correspondent certaines notions et les représenter graphiquement).


Quoi qu'il en soit, tu t'es lancé dans une entreprise longue et complexe mais fort intéressante ; je te souhaite donc bonne continuation et bon courage !