1

Introduction

• Créer un premier graphe et l’exécuter dans une session.
• Cycle de vie de la valeur d’un nœud.
• Manipuler des matrices. Régression linéaire. Descente de gradient.
• Fournir des données à l’algorithme d’entraînement.
• Enregistrer et restaurer des modèles. Visualiser le graphe et les courbes d’apprentissage.

2

Introduction aux réseaux de neurones artificiels

• Entraîner un PMC (perceptron multicouche) avec une API TensorFlow de haut niveau.
• Entraîner un PMC (perceptron multicouche) avec TensorFlow de base.
• Régler précisément les hyperparamètres d’un réseau de neurones.

3

Entraînement de réseaux de neurones profonds

• Problèmes de disparition et d’explosion des gradients.
• Réutiliser des couches préentraînées.
• Optimiseurs plus rapides.
• Éviter le surajustement grâce à la régularisation.
• Recommandations pratiques.

4

Réseaux de neurones convolutifs

• L’architecture du cortex visuel.
• Couche de convolution.
• Couche de pooling.
• Architectures de CNN.

5

Deep learning avec Keras

• Régression logistique avec Keras.
• Perceptron avec Keras.
• Réseaux de neurones convolutifs avec Keras.

6

Réseaux de neurones récurrents

• Neurones récurrents. RNR de base avec TensorFlow.
• Entraîner des RNR. RNR profonds.
• Cellule de mémoire à long terme (LSTM). Cellule de unités récurrentes fermées (GRU).
• Traitement automatique du langage naturel.

7

Autoencodeurs

• Représentations efficaces des données.
• Analyse en composantes principales (ACP) avec un autoencodeur linéaire sous-complet.
• Autoencodeurs empilés. Préentraînement non supervisé.
• Autoencodeurs débruiteurs. Autoencodeurs épars. Autoencodeurs variationnels. Autres autoencodeurs.