module #1 Introduction à l'apprentissage profond Vue d'ensemble de l'apprentissage profond, de son histoire et de ses applications
module #2 Prérequis mathématiques Révision de l'algèbre linéaire, du calcul et de la théorie des probabilités
module #3 Notions de base sur les réseaux de neurones Introduction aux réseaux de neurones artificiels, aux perceptrons et aux perceptrons multicouches
module #4 Fonctions d'activation et rétropropagation Fonctions d'activation, rétropropagation et descente de gradient
module #5 Création et formation de réseaux de neurones Expérience pratique de la création et de la formation de réseaux de neurones à l'aide d'un cadre d'apprentissage profond
module #6 Réseaux de neurones convolutifs (CNN) Introduction aux CNN, aux couches convolutives et aux couches de regroupement
module #7 Architectures CNN Architectures AlexNet, VGGNet, GoogLeNet et ResNet
module #8 Apprentissage par transfert et réglage fin Utilisation de modèles CNN pré-entraînés et réglage fin pour la classification d'images tâches
module #9 Réseaux neuronaux récurrents (RNN) Introduction aux RNN, aux RNN simples et aux réseaux LSTM
module #10 Architectures RNN GRU, RNN bidirectionnels et modèles encodeur-décodeur
module #11 Modèles séquence à séquence Traduction automatique, chatbots et modèles séquence à séquence
module #12 Modèles génératifs Introduction aux modèles génératifs, GAN et VAE
module #13 Autoencodeurs et autoencodeurs variationnels Réduction de dimensionnalité, autoencodeurs et VAE
module #14 Réseaux antagonistes génératifs (GAN) GAN, DCGAN et GAN conditionnels
module #15 Apprentissage par renforcement profond Introduction à l'apprentissage par renforcement, à l'apprentissage Q et aux gradients de politique
module #16 Apprentissage par renforcement profond Algorithmes DDPG, méthodes Actor-Critic et AlphaGo
module #17 Apprentissage non supervisé et clustering K-means, clustering hiérarchique et réduction de dimensionnalité
module #18 Deep Learning pour le traitement du langage naturel Incorporation de mots, modèles de langage et classification de texte
module #19 Mécanismes d'attention Attention dans le traitement du langage naturel, transformateurs et BERT
module #20 Deep Learning pour la vision par ordinateur Détection, segmentation et suivi d'objets
module #21 Cadres d'apprentissage profond TensorFlow, PyTorch et Keras
module #22 Évaluation de modèle et réglage des hyperparamètres Métriques d'évaluation de modèle, réglage des hyperparamètres et validation croisée
module #23 Déploiement et production d'apprentissage profond Déploiement de modèle, diffusion de modèle et production
module #24 Éthique et équité dans l'apprentissage profond Considérations éthiques, biais et équité dans l'apprentissage profond modèles
module #25 Bilan et conclusion du cours Planifier les prochaines étapes de votre carrière en Deep Learning
