Blog ENI : Toute la veille numérique !
Accès illimité 24h/24 à tous nos livres & vidéos ! 
Découvrez la Bibliothèque Numérique ENI. Cliquez ici
Accès illimité 24h/24 à tous nos livres & vidéos ! 
Découvrez la Bibliothèque Numérique ENI. Cliquez ici
  1. Livres et vidéos
  2. Le Deep Learning pour le traitement d’images
  3. Introduction
Extrait - Le Deep Learning pour le traitement d’images Classification, détection et segmentation avec Python et TensorFlow
Extraits du livre
Le Deep Learning pour le traitement d’images Classification, détection et segmentation avec Python et TensorFlow
2 avis
Revenir à la page d'achat du livre

Introduction

Révolution de modèles d’apprentissage profond en traitement d’images

Les modèles d’apprentissage profond ont révolutionné le monde du traitement d’images.

Leurs performances sont proches de celles d’un être humain dans des tâches de traitement d’images qui étaient considérées comme impossibles à automatiser il y a encore dix ans. Les performances obtenues surpassent même les performances d’un opérateur humain dans certaines tâches.

Ces modèles sont devenus un outil indispensable dans la boîte à outils de toute personne développant des applications de traitement d’images.

Après la lecture de ce livre, vous serez en mesure de :

  • repérer pour quelles applications il peut être approprié d’utiliser un modèle d’apprentissage profond

  • choisir le modèle existant le plus approprié à votre situation et l’adapter à votre problématique spécifique, ou créer un nouveau modèle plus spécifique et l’entraîner

  • savoir comment réagir quand « ça ne marche pas » : les performances sont inférieures à ce que vous espériez, le modèle ne semble pas converger, etc.

  • savoir appliquer les bonnes pratiques de l’intelligence artificielle responsable....

Structure du livre

La structure du livre est progressive, et chaque chapitre s’appuie sur les éléments expliqués lors du chapitre précédent. Il est donc conseillé de le lire en suivant l’ordre des chapitres ; les prérequis indispensables à la compréhension de chaque chapitre sont néanmoins rappelés en introduction.

Le prochain chapitre, Intelligence artificielle et apprentissage profond, constitue une présentation générale des concepts qui seront développés dans la suite du livre. Après un bref historique de l’intelligence artificielle, nous décrirons les promesses et les limites de ces réseaux, et nous donnerons des règles permettant de décider si l’apprentissage profond est la meilleure approche pour résoudre un problème donné.

Le chapitre Outils indispensables à la pratique décrit le matériel (informatique et logiciel) et les jeux de données indispensables à la pratique de l’apprentissage profond pour le traitement d’images. C’est également dans ce chapitre qu’est décrite en détail la procédure permettant d’accéder aux éléments en téléchargement et de les utiliser.

Les trois chapitres suivants, Classifieurs linéaires, Réseaux de neurones profonds et Réseaux de neurones à convolution sont une explication progressive du fonctionnement des réseaux de neurones convolutionnels.

Le chapitre Bonnes pratiques pour l’entraînement contient une liste de bonnes pratiques permettant de pallier certains inconvénients de ces réseaux. Nous y décrirons des astuces pratiques permettant d’améliorer leur performance, encourager leur généralisabilité et leur reproductibilité, limiter les biais potentiels qu’ils peuvent véhiculer, et réduire l’impact carbone nécessaire à leur entraînement et à leur utilisation.

À ce stade de lecture de l’ouvrage, vous serez en mesure de créer et entraîner vos propres réseaux convolutionnels pour la classification d’images.

Ensuite, le chapitre Adapter un réseau existant décrit la technique de l’apprentissage par transfert, qui consiste à adapter un réseau pré-entraîné pour qu’il puisse réaliser de nouvelles tâches. Nous expliquerons également comment choisir un réseau, et où le trouver.

Les trois chapitres suivants concernent les réseaux convolutionnels appliqués à d’autres tâches que la classification....

Langue utilisée pour les termes techniques

Un dernier point, concernant la langue.

L’anglais est omniprésent dans le domaine de l’intelligence artificielle : c’est la langue des publications scientifiques les plus importantes, on trouve une grande quantité de blogs et de vidéos de vulgarisation anglophones, les annonces faites par Google ou Facebook pour présenter leurs derniers développements sont en anglais, etc.

Même dans les publications en français, il n’est pas rare de trouver certains mots restés en version originale : ainsi, on parle de deep learning pour l’apprentissage profond, de transformers pour les réseaux auto-attentionnels, de deepfakes pour l’hypertrucage, etc.

Il est donc capital de comprendre le lexique anglophone de l’intelligence artificielle, pour pouvoir lire et comprendre les principales sources d’information décrivant les derniers développements.

Cependant, il est également très important de connaître et d’utiliser le lexique francophone correspondant. Ceci permet une meilleure compréhension des concepts, et participe à démystifier l’intelligence artificielle.

Dans ce livre, nous utiliserons en priorité les termes francophones, en précisant entre parenthèses les termes anglais correspondants.

Il n’est pas évident de savoir...