Conception d’un graphe & exécution au sein d’une session

Cycle de vie de la valeur d’un nœud

Manipulation des matrices

Régression linéaire

Descente de gradient

Fourniture des données à l’algorithme d’entraînement

Enregistrement et restauration des modèles

Visualisation du graphe & courbes d’apprentissage

Travaux pratiques : cas concrets de ML en classification & régression

Entrainement d’un PMC avec une API TensorFlow de haut niveau

Entrainement d’un PMC à l’aide de TensorFlow

Configuration précise des hyperparamètres d’un réseau de neurones

Difficultés de disparition & d’explosion des gradients

Réutilisation des couches pré-entraînées

Optimiseurs plus rapides

Sur-ajustement grâce à la régularisation

Recommandations pratiques

Travaux pratiques : implémentation d’un réseau de neurones à la manière du framework TensorFlow

Architecture du cortex visuel

Couche de convolution

Couche de pooling

Architectures de CNN

Travaux pratiques : implémentation des CNN en utilisant des jeux de données variés.

Régression logistique

Perceptron

Réseaux de neurones convolutifs

Travaux pratiques : implémentation de Keras en utilisant des jeux de données variés

Neurones récurrents

RNR de base avec TensorFlow

Entrainement des RNR

RNR profonds

Cellule LSTM

Cellule GRU

Traitement automatique du langage naturel

Travaux pratiques : implémentation des RNN en utilisant des jeux de données variés

Représentations efficaces des données

ACP avec un autoencodeur linéaire sous-complet

Autoencodeurs empilés

Pré-entraînement non supervisé.

Autoencodeurs débruiteurs.

Autoencodeurs épars

Autoencodeurs variationnels

Autres autoencodeurs

Travaux pratiques : Implémentation d’autoencodeurs en utilisant des jeux de données variés