La détection de fraudes par cartes de crédit, les voitures autonomes, l’identification et la reconnaissance vocale, la traduction automatique en temps réel, l’identification des objets dans les images ou encore le diagnostic médical sont tous des usages concrets où le Deep Learning a triomphé parmi les meilleures technologies dans le monde du Machine Learning.

Cette vidéo est justement consacrée aux réseaux de neurones qui sont à la base du Deep Learning et l’objectif est de vous apprendre à utiliser TensorFlow pour développer des modèles neuronaux qui couvrent la plupart des scénarios rencontrés dans la pratique.

Après une introduction sur les réseaux de neurones, nous en découvrirons les différentes architectures et la notion d’algorithme de rétropropagation. Nous pourrons ensuite passer à l’installation et à la découverte de TensorFlow avant de développer des exemples de réseaux de neurones en nous appuyant sur la version de Keras intégrée à TensorFlow.

Téléchargements

• Des fichiers complémentaires (9 Ko)

• Durée totale02h39
• Les réseaux de neurones
  • Introduction aux réseaux de neurones00:45
  • Quelques cas d'application01:21
  • Les étapes de modélisation en Data Science04:47
  • Du neurone biologique au neurone artificiel04:26
  • Les fonctions d'assemblage02:51
  • Les fonctions d'activation03:36
  • Introduction au perceptron05:26
  • Du perceptron au réseau de neurones06:28
  • Entraîner un réseau de neurones06:15
• L'algorithme de rétropropagation
  • Présentation de l'algorithme02:09
  • La propagation avant05:49
  • Le calcul des erreurs à la sortie d'un réseau de neurones03:06
  • La propagation arrière05:55
  • La mise à jour d'un réseau de neurones03:27
  • Apprentissage par itérations06:44
  • Critères d'arrêt de la phase d'apprentissage05:02
• Introduction à TensorFlow 2
  • Installer Anaconda03:17
  • Créer un environnement virtuel et installer TensorFlow04:34
  • Architecture de TensorFlow04:33
  • Architecture de tf.keras02:54
  • Introduction aux Tensors11:07
  • Manipuler les variables avec les Tensors06:27
  • Initialisation des Tensors05:28
  • Les opérations algébriques avec les Tensors03:09
• Les réseaux de neurones avec TensorFlow 2
  • Charger les données pour entraîner un réseau de neurones 06:28
  • Créer un MLP avec TensorFlow06:18
  • Accès aux informations et initialisation des paramètres d'un réseau de neurones06:20
  • Exécuter un réseau de neurones sur des données06:49
  • Évaluer un réseau de neurones01:52
  • Prédire avec un réseau de neurones03:46
  • Utiliser le Callback05:33
  • Configurer le critère d'arrêt02:39
  • Sauvegarder un réseau de neurones dans un fichier03:07
  • Gérer les hyperparamètres d'un réseau de neurones05:37
  • Conclusion01:02