Les tâches d'analyse d'image et de vision par ordinateur nécessitent un autre type d'outil : Les réseaux de neurones convolutifs (CNN). Dans ce module, vous apprendrez comment les CNN extraient automatiquement des caractéristiques des images grâce à des couches spécialisées, construisez vos propres modèles de classification d'images et tirez parti de réseaux pré-entraînés pour résoudre des problèmes du monde réel avec des données limitées. Grâce à une mise en œuvre pratique dans PyTorch, vous maîtriserez les techniques qui ont révolutionné la vision par ordinateur et permis des percées dans des domaines allant de la conduite autonome à l'imagerie médicale.

Maîtrisez l'art de la modélisation des séquences avec les Réseaux neurones récurrents (RNN) et les LSTM. Ce module vous apprend à traiter et à générer des données séquentielles comme du texte et des séries chronologiques. Vous comprendrez le fonctionnement interne des RNN, apprendrez pourquoi les LSTM capturent mieux les dépendances à long terme et mettrez en œuvre des applications pratiques dans le traitement du langage naturel et la prévision des séries temporelles. Grâce à une combinaison de théorie et de pratique, vous acquerrez les compétences nécessaires pour construire des modèles qui comprennent le contexte et les modèles temporels.

Apprenez des techniques avancées pour former des réseaux de neurones plus profonds, plus rapides et plus précis. Ce module couvre les compétences pratiques qui séparent les débutants des professionnels dans la mise en œuvre de l'apprentissage profond. Vous aborderez les méthodes de régularisation pour éviter le surajustement, explorerez les stratégies d'initialisation qui permettent de former des réseaux plus profonds et mettrez en œuvre des optimisations de formation qui accélèrent la convergence et améliorent la stabilité. En appliquant ces techniques, vous serez en mesure de construire des modèles qui généralisent bien à de nouvelles données tout en s'entraînant efficacement.