4.4SpécialisationSession 3 · Deep Learning & Applied Machine Learning

Algorithmes d'apprentissage profond

30classes90htotalTH3 · PR3 · PNW2pondération par classe

Déroulé classe par classe

30 classes

TH = théorie · PR = pratique · PNW = travail personnel. Ce sont des codes de pondération du ministère (et non des heures) servant à répartir les minutes de chaque classe. La durée d'une classe = heures du cours ÷ nombre de classes ; les trois plages horaires ci-dessous totalisent toujours cette durée.

Progression des quiz

0 sur 0 classes tentées

2 premières classes gratuites avec un parrainage 29 de plus avec l'inscription180 min par classeThéorie 68mPratique 67mTravail personnel 45m

Du ML à l'apprentissage profond — le moteur derrière la GenAI

GratuitTH3PR3PNW2

Un gestionnaire d'intégration d'IA qui sait quand l'apprentissage profond bat le ML traditionnel choisit le bon outil — et comprend que la révolution GenAI repose sur les réseaux de neurones profonds.

Théorie68m

Rappel du ML supervisé de 3.4 et ses limites
Ce que l'apprentissage profond ajoute : plusieurs couches, caractéristiques apprises
Où l'apprentissage profond alimente la GenAI (texte, images, audio) vs où c'est excessif

Pratique67m

Classez 8 tâches GenAI types comme « ML traditionnel suffit » ou « nécessite l'apprentissage profond »
Justifiez un choix avec un raisonnement sur les données et la complexité

Travail personnel45m

Rédigez une note d'une page sur quand vous recourriez à l'apprentissage profond dans un projet GenAI
Micro-tâche : remettre votre note

Le perceptron — un seul neurone

VerrouilléTH3PR3PNW2

Aperçu de classe verrouillée

Un analyste de données ou d'affaires qui comprend un neurone comprend le bloc de construction de tout transformeur — c'est juste un vote pondéré mis à l'échelle par une activation

Inscrivez-vous pour déverrouiller chaque classe de ce cours — le déroulé complet, le tuteur IA et le quiz.

Algorithmes d'apprentissage profond

Déroulé classe par classe

Du ML à l'apprentissage profond — le moteur derrière la GenAI

Le perceptron — un seul neurone

Fonctions d'activation — laisser les réseaux être non linéaires

Réseaux multicouches — empiler vers les transformeurs

Perte et gradients — comment les modèles GenAI apprennent

Rétropropagation — la règle de chaîne qui a entraîné tout LLM

Votre premier réseau de neurones en PyTorch (ou TensorFlow)

Tenseurs, lots et chargeurs de données — données pour les modèles profonds

Optimiseurs — SGD, moment et Adam

Surapprentissage et régularisation — abandon, décroissance des poids et arrêt hâtif

Évaluer les modèles profonds — au-delà de l'exactitude

Vision par ordinateur 101 — images comme tenseurs

CNN — modèles de vision pour les agents multimodaux

Bâtir un CNN — votre premier classificateur d'images

Augmentation de données — plus de données à partir de ce que vous avez

Apprentissage par transfert — sur les épaules de géants

Séquences et texte — pourquoi la GenAI avait besoin de modèles de séquence

RNN et LSTM — mémoire pour des séquences plus longues

Plongements — le cœur vectoriel du RAG et des agents

Attention — le mécanisme qui alimente tout LLM

Transformeurs — l'architecture derrière la GenAI et les agents

Utiliser des modèles transformeurs pré-entraînés via Hugging Face

Ajuster finement un modèle pré-entraîné pour votre entreprise

Appel d'outils LLM comme politique apprise — les agents qui agissent

RLHF et alignement — rendre la GenAI sûre et utile

Déployer un modèle d'apprentissage profond comme outil d'agent

GenAI responsable — biais, coût et limites

Réglage des hyperparamètres — tirer le maximum d'un modèle

Mini-projet — bâtir, régler et livrer un modèle pour un agent

Présenter et réfléchir — votre parcours de l'apprentissage profond à la GenAI

Déverrouiller les 30 classes