Un apprentissage progressif du deep learning avec TensorFlow/Keras, combinant bases théoriques et mise en pratique à travers de nombreux programmes testables en ligne,
Une exploration complète des principaux modèles de réseaux de neurones, des perceptrons multicouches aux réseaux convolutifs (LeNet, AlexNet, Inception), appliqués à la reconnaissance d’images et d’objets,
Des techniques avancées de mise en production des modèles : optimisation des pipelines de données, augmentation d’images et apprentissage par transfert avec des architectures modernes comme MobileNet V2
Cet ouvrage a pour objectif d’accompagner ingénieurs, scientifiques et étudiants dans l’apprentissage pratique du deep learning avec TensorFlow/Keras, les outils de Google dédiés à la création d’applications d’apprentissage machine. Destiné à tous ceux qui souhaitent comprendre et maîtriser ces technologies, il propose une démarche progressive alliant théorie et mise en pratique, accessible dès lors que l’on connaît les bases du langage Python. Chaque concept est illustré par des exemples concrets avec 42 programmes téléchargeables, facilement testables en ligne via Google Colab (aucun logiciel à installer).
Le premier chapitre replace le deep learning parmi les grandes familles de techniques d’intelligence artificielle. Les trois suivants introduisent les réseaux de neurones et plus spécifiquement le perceptron multicouche, dont le fonctionnement est détaillé avant la création d’un modèle de reconnaissance de chiffres manuscrits. Ce programme est ensuite amélioré pas à pas pour devenir une application interactive capable d’identifier des chiffres dessinés à l’écran.
Les chapitres suivants présentent les réseaux convolutifs, incontournables pour le traitement d’images. Le lecteur y découvre leurs principes (calcul de convolution, pooling) et leur mise en œuvre avec TensorFlow/Keras à travers plusieurs modèles de référence (LeNet-5, AlexNet, Inception), jusqu’à la reconnaissance d’objets via webcam selon les 1000 catégories d’ImageNet.
Enfin, les derniers chapitres abordent l’optimisation des pipelinesde données, l’augmentation d’images et l’apprentissage par transfert, illustré avec le réseau MobileNet V2 et un projet de classification de 45 espèces de mammifères.
Le mot de notre auteur
Comprendre l'IA et le deep learning s'avère souvent complexe, car ces technologies reposent sur des concepts mathématiques abstraits, des notions informatiques avancées et un jargon en constante évolution. Aussi, fort de deux décennies à enseigner ces disciplines, j'ai écrit cet ouvrage, volontairement centré sur les éléments essentiels, pour vous permettre d'intégrer l'apprentissage profond dans vos projets.
Grâce aux 42 programmes Python fournis, vous expérimenterez pas à pas l'écosystème TensorFlow/Keras. Parmi les cas pratiques, vous apprendrez à entraîner un perceptron multicouche, à créer des pipelines avec des flux d'images, à explorer les réseaux à convolution de référence ou encore à mettre en œuvre du "transfer learning". L'intégralité du code est disponible avec des notebooks Jupyter exécutables immédiatement dans Google Colab. J'aurai atteint mon but si, après la lecture de ce livre, ces technologies avancées vous paraissent (enfin…) évidentes et concrètes
1. Chapitre Introduction à l’intelligence artificielle
2. Chapitre Découverte des réseauxde neurones
3. Chapitre Programmation d’un perceptron multicouche
4. Chapitre Analyse et amélioration des modèles
5. Chapitre Solution des réseaux à convolution
6. Chapitre Programmation d’un réseau à convolution
7. Chapitre Jeux de données avec des fichiersd’images
8. Chapitre Introduction au transfer learning
Pour aller plus loin…
Annexes
Annexe 1 : principales commandes Linux
Annexe 2 : commandes de l'outil pip
Annexe 3 : bibliothèques Python
Annexe 4 : acronymes
Références bibliographiques
Références bibliographiques
Jean-Christophe RIAT
Ingénieur diplômé de l’École Centrale de Lille et docteur en informatique, Jean-Christophe RIAT a mené l’essentiel de sa carrière comme chef de projet en innovation au sein d’un grand constructeur automobile. Enseignant depuis plus de 25 ans l’intelligence artificielle à l’EPSI Paris, il a accompagné l’évolution des techniques d’IA, en particulier du machine learning. Il est également l’auteur de nombreux articles consacrés à TensorFlow et Keras dans la revue Programmez!. Cet ouvrage s’appuie sur cette double expérience industrielle et pédagogique afin de proposer une approche progressive, concrète et directement applicable.